题目: Learning Causality and Learning with Causality: A Road to Intelligence

摘要: 吸烟会引起癌症吗?通过分析两个变量的观测值,我们能否找到它们之间的因果关系?在我们的日常生活和科学中,人们经常试图回答此类因果问题,目的是正确理解和操纵系统。在过去的几十年中,为了回答这些问题,在机器学习,统计和哲学等领域取得了有趣的进步。此外,我们还经常关注如何在复杂的环境中进行机器学习。例如,我们如何在非平稳环境中做出最佳预测?有趣的是,最近发现因果信息可以促进理解和解决各种机器学习问题,包括迁移学习和半监督学习。这篇演讲回顾了因果关系研究中的基本概念,并侧重于如何从观察数据中学习因果关系,以及因果关系为何以及如何帮助机器学习和其他任务。最后,我将讨论为什么因果表达很重要以便实现通用人工智能。

报告人: 张坤 博士 美国卡内基梅隆大学,也是德国马克斯·普朗克智能系统研究所的高级研究科学家。他的研究兴趣在于机器学习和人工智能,尤其是因果发现,基于因果关系的学习和通用人工智能。他从因果关系的角度开发了用于自动发现因果关系的方法,从因果关系角度研究学习问题,尤其是转移学习,概念学习和深度学习,并研究了因果关系和各种机器学习任务的哲学基础。他曾担任大型机器学习或人工智能会议的区域主席或高级程序委员会成员,包括NeurIPS,UAI,ICML,AISTATS,AAAI和IJCAI。他组织了各种学术活动,以促进因果关系的跨学科研究。

成为VIP会员查看完整内容
118

相关内容

卡耐基梅隆大学(Carnegie Mellon University)坐落在宾夕法尼亚州的匹兹堡,是一所享誉世界的私立顶级研究型大学,学校面积不大,学科门类不多,但在其所设立的几乎所有专业都居于世界领先水平。卡内基梅隆大学享誉全国的认知心理学、管理和公共关系学、写作和修辞学、应用历史学、哲学和生物科学专业。它的计算机、机器人科学、理学、美术及工业管理都是举世公认的一流专业。
因果关联学习,Causal Relational Learning
专知会员服务
178+阅读 · 2020年4月21日
用深度学习揭示数据的因果关系
专知
28+阅读 · 2019年5月18日
清华朱军教授:机器学习未来的几大挑战与目前进展
DeepTech深科技
4+阅读 · 2018年10月29日
NSR观点| 学习因果关系和基于因果性的学习
知社学术圈
17+阅读 · 2018年1月7日
Arxiv
20+阅读 · 2019年11月24日
Arxiv
3+阅读 · 2018年10月11日
Arxiv
11+阅读 · 2018年7月8日
Arxiv
5+阅读 · 2018年5月22日
Arxiv
9+阅读 · 2018年3月23日
Arxiv
8+阅读 · 2018年3月20日
VIP会员
相关VIP内容
因果关联学习,Causal Relational Learning
专知会员服务
178+阅读 · 2020年4月21日
相关论文
Arxiv
20+阅读 · 2019年11月24日
Arxiv
3+阅读 · 2018年10月11日
Arxiv
11+阅读 · 2018年7月8日
Arxiv
5+阅读 · 2018年5月22日
Arxiv
9+阅读 · 2018年3月23日
Arxiv
8+阅读 · 2018年3月20日
微信扫码咨询专知VIP会员