【导读】机器学习暑期学校(MLSS)系列开始于2002年,致力于传播统计机器学习和推理的现代方法。今年因新冠疫情在线举行,从6月28号到7月10号讲述了众多机器学习主题。本文推荐来自德国人工智能教授 Bernhard Schölkopf教授讲述《因果性》,177页ppt系统性讲述了机器学习中的因果性,非常干货。

由Judea Pearl开创的图因果推理起源于人工智能(AI)的研究,在很长一段时间内与机器学习领域几乎没有联系。本文认为,机器学习和人工智能的硬开放问题本质上与因果关系有关,并解释了该领域是如何开始理解它们的。

近年来,机器学习社区对因果关系的兴趣显著增加。我对因果关系的理解是由Judea Pearl和许多合作者和同事所启发的,其中的大部分内容来自与Dominik Janzing和Jonas Peters合著的一本书(Peters et al., 2017)。我已经在各种场合谈论过这个话题,其中一些正在进入机器学习的主流,特别是因果建模可以提升机器学习模型的鲁棒性。因果性和机器学习的交叉的发展令人兴奋。这篇报告不仅能够对讨论因果思维对AI的重要性有所帮助,而且还可以为机器学习的观众介绍一些图或结构因果模型的相关概念。

尽管最近取得了诸多成功,但如果我们将机器学习的能力与动物的能力进行比较,我们会发现,在一些动物擅长的关键技能上,前者相当糟糕。这包括迁移到新问题,任何形式的泛化,不是从一个数据点到下一个从相同的分布(采样),而是从一个问题到下一个——都被称为泛化。这个缺点并不是太令人吃惊,因为机器学习经常忽略生物大量使用的信息: 世界干预、领域迁移、时间结构。最后,机器学习也不擅长思考,在康拉德洛伦茨的意义上,即,在想象的空间中行动。我认为,因果性关注建模和推理,可以对理解和解决这些问题做出实质性的贡献,从而将该领域带入下一个层次。

视频: https://www.youtube.com/watch?v=btmJtThWmhA&feature=youtu.be

目录内容:

  • 背景介绍
  • 结构化因果模型
  • 独立机制与解缠分解
  • 做微积分
  • 混淆
  • 因果发现:两变量情况
  • 因果机器学习
  • 时间序列
成为VIP会员查看完整内容
99

相关内容

“机器学习是近20多年兴起的一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让 可以自动“ 学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与统计推断学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。很多 推论问题属于 无程序可循难度,所以部分的机器学习研究是开发容易处理的近似算法。” ——中文维基百科

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
(ICML 2020 Tutorial)贝叶斯深度学习与概率模型构建,134页ppt
一图搞定ML!2020版机器学习技术路线图,35页ppt
专知会员服务
83+阅读 · 2020年7月28日
【硬核课】统计学习理论,321页ppt
专知会员服务
117+阅读 · 2020年6月30日
因果图,Causal Graphs,52页ppt
专知会员服务
190+阅读 · 2020年4月19日
421页《机器学习数学基础》最新2019版PDF下载
机器学习数学基础【附PPT下载】
专知
41+阅读 · 2018年9月17日
NSR观点| 学习因果关系和基于因果性的学习
知社学术圈
13+阅读 · 2018年1月7日
Advances and Open Problems in Federated Learning
Arxiv
17+阅读 · 2019年12月10日
Arxiv
13+阅读 · 2019年11月24日
Arxiv
9+阅读 · 2018年4月20日
Arxiv
15+阅读 · 2018年4月3日
Arxiv
6+阅读 · 2018年1月11日
VIP会员
相关VIP内容
微信扫码咨询专知VIP会员