147页PPT详解因果深度学习，图灵奖Yoshua Bengio最新UAI2022「因果性与深度学习:协同、挑战和未来》教程

深度神经网络在计算机视觉、自然语言处理和机器人技术等领域取得了卓越的成就。然而，这些模型在理解我们周围世界的能力，以及泛化和适应新任务或环境的能力方面仍然是苍白的。这个问题的一个可能的解决方案是理解因果关系的模型，这样的模型可以推断因果变量之间的联系和干预对它们的影响。然而，现有的因果算法通常不能扩展，也不能适用于高度非线性的设置，它们也假设因果变量是有意义的和给定的。最近，为了解决上述挑战，人们对因果关系和深度学习的交集产生了越来越多的兴趣和研究活动，它们使用深度学习来受益于因果算法，反之亦然。本教程旨在为两种受众介绍因果关系和深度学习的基本概念，提供近期工作的概述，以及目前在这两个领域研究的协同作用、挑战和机会。

因果关系的深度学习

• 建模功能的关系

• 学习图上的分布

• 表征是学习特征的丰富组成

• 潜在的因果变量

深度学习的因果关系

• 为什么DL有因果关系

• DL中因果学习的基准

• DL中因果学习的目标和架构

• 利用因果关系的概念来帮助DL

讲者：

1964年生，加拿大人。他是世界公认的人工智能领域顶尖专家之一，因其在深度学习方面的开创性工作而闻名，与杰弗里·辛顿、杨立昆一同获得了2018年图灵奖。他是蒙特利尔大学全职教授，也是Mila魁北克人工智能研究所的创始人和科学主任。他作为高级研究员共同指导CIFAR的“机器与大脑学习”项目，并担任IVADO科学主任。他关注人工智能的社会影响和人工智能惠及所有人的目标，积极为《负责任地发展人工智能的蒙特利尔宣言》做出贡献，他还是英国伦敦皇家学会和加拿大皇家学会会员。

Nan Rosemary Ke是Deepmind的一名研究科学家，她的研究兴趣是建立模型，通过理解因果关系来概括变化的任务和环境。在加入Deepmind之前，她是Mila的博士生，由Yoshua Bengio和Chris Pal担任导师。她还获得了Facebook奖学金，并在2020年被评为机器学习领域的一颗后起之星。Rosemary的研究兴趣结合了深度学习和因果关系的见解;她一直致力于建立能够充分理解因果关系的模型，以推断因果变量之间的联系以及干预对它们的影响。她的研究成果已在各大会议(NeurIPS, ICML, ICLR)上发表。

专知便捷查看

便捷下载，请关注专知人工智能公众号（点击上方蓝色专知关注）

• 后台回复“C147” 就可以获取《147页PPT详解因果深度学习，图灵奖Yoshua Bengio最新UAI2022教程「因果性与深度学习:协同、挑战和未来》教程》专知下载链接