我们的生活中无时无刻不在对接受到的信息进行思考和逻辑推理，从而获得可被复现的模块化知识。近年来深度学习AI在预测识别方面取得巨大进展。要如何进一步，使AI具有与人类相似的推理能力呢？因果表征学习或许提供了一条路径。这篇文章概括了 Carnegie Mellon University 副教授张坤老师研究组在因果表征学习方面的最新工作（张坤目前学术休假，在MBZUAI工作）。张坤团队致力于打通因果关系和人工智能的关系：一方面，他们开发机器学习方法来从观测数据中进行因果结构以及因果表征学习。另一方面，他们从因果关系的角度考虑人工智能中的各种学习问题，包括迁移学习、强化学习、推荐系统、自然语言处理，并希望对因果关系的认知和使用能把人工智能带到一个新的高度。

 

本文主要包含四个部分。第一部分是对因果发现传统工作的简介并且引入因果表征：何为因果表征学习，其与因果发现关系何在，以及为何需要新方法实现因果表征学习。第二部分着重于介绍因果表征学习的最新研究进展和方法， 包括在独立同分布情形、时间序列、分布迁移情形的情况下如何寻找因果隐变量和它们之间的因果关系。第三部分介绍了在迁移学习和适应性强化学习下的应用。因果表征学习为机器学习提供了更有解释性和更有效的方法。在第四部分，我们介绍了目前的分析工具causal-learn以及对未来研究工作和应用场景的展望。

 

阅读详情

内容中包含的图片若涉及版权问题，请及时与我们联系删除