深度神经网络在计算机视觉等领域取得卓越成就。然而，这些模型在理解周围世界能力及概括适应新任务环境能力方面表现不佳。一个可能的解决方案是理解因果关系的模型，因为这类模型能推断因果变量间联系及干预对其影响。然而，现有的因果算法一般无法进行扩展，并且不能应用于高度非线性的环境。它们还假设因果变量是有意义且已给定的。最近，为了应对上述挑战，人们对因果关系与深度学习的交集越来越感兴趣，也开展了越来越多的研究活动。他们利用深度学习来从因果算法中获益，因果算法也能从深度学习中受益。本教程的目的是为两类受众介绍因果关系与深度学习的基本概念，给出近期工作的大概情况，并且阐述目前在这两个领域研究的相互作用、面临的挑战以及存在的机会。

因果关系的深度学习

深度学习的因果关系

讲者：

Nan Ke 是一名研究科学家，她的研究兴趣在于建立模型，以便通过理解因果关系来概括任务和环境的变化。在加入之前，她曾是 Mila 的博士生，导师是 和 Pal。她还获得了奖学金，并且在 2020 年被评为机器学习领域的一颗新星。她的研究兴趣将深度学习与因果关系的见解相融合；她始终致力于构建能够深刻理解因果关系的模型，从而推断出因果变量之间的联系以及干预对它们所产生的影响。她的研究成果已经在诸如 ICML、ICLR 等各大会议上进行了发表。

他是斯德哥尔摩 KTH 的助理教授，也是一位全球学者。他通过运用并开发因果关系、深度学习以及真实机器人系统的工具，将研究重点放在人工智能的长期目标上，也就是设计能够在不同环境和任务中推断经验的机器。他在苏黎世联邦理工学院获得了计算机科学博士学位，并且因其杰出的博士论文而被授予苏黎世联邦理工学院奖章。他此前毕业于苏黎世联邦理工学院(ETH)，拿到了数学学士学位与理学硕士学位，还取得了伦敦大学(LSE)的经济学和金融学学士学位。在求学过程中，他获得了瑞士国家功绩基金会以及德国国家功绩基金会的奖学金。2019 年，他荣获了机器学习国际会议(ICML)的最佳论文奖。2020 年，他是云端机器人挑战的主要组织者。

参考文献：

Ahn 等人提出“做我能做的，而非我说的：在……”，出处为：2204.（2022）。

, , 。“源自：对 的一项 。”（2021 年）。

et al. 提到了“风险”。时间是 1907 年（2019 年）。

Träuble, 以及其他一些因素，在 ICLR 2021 这一会议中，对于研究和发展构成了挑战。

Sara 和 Van Horn 参与了某活动。该活动在 ECCV 2018 年举行。他们在其中有着特定的表现或参与情况。

et al. 有快的和慢的。在 2019 年。

et al. 在深度方面进行了相关研究。（2020 年）

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

专知是专业可信的人工智能知识分发平台，它能让认知协作变得更快更好！欢迎大家注册登录专知，从而获取关于 AI（包括 AI 与军事、医药、公安等方面）的主题干货知识资料！

欢迎通过微信扫一扫来加入专知人工智能知识星球群。这样你就可以获取到最新的 AI 专业干货知识教程资料，并且能够与专家进行交流咨询。

点击“阅读原文”，了解使用专知，查看获取+AI主题知识资料