2021年最热方向之因果推论能改变下一代AI研发吗?《追AI的人》第8期来咯!

亮点一览

人类和动物认知的核心是对因果关系的理解：「事情为什么会发生」以及「我们如何影响世界」。几十年过去了，大多数人工智能仍然缺乏「识别数据中的模式和相关性」的这种因果推断能力。那么因果推论会不是是改变下一代AI研发的关键方向？

🌟 因果关系与关联关系有什么区别？为什么需要因果关系呢？

🌟 如何教AI学会因果关系，实现大数据因果推理？AI学会因果推理后与现在会有什么不同？

🌟 浙大90后博导如何与AI结缘？为何选择因果推论作为研究方向？

本周四(1月13日)19:00，《追AI的人》系列直播第8期邀请浙大90后博导况琨分享。

1
直播详情

直播主题：《模型不可解释，预测不稳定？不妨将因果推理融入机器学习试试》

直播时间：2022年1月13日(周四)19点

直播地点：B站/微博 搜“知安局”

课程大纲：

· 因果关系与关联关系的区别，为什么需要因果关系 

· 机器学习如何赋能因果推理，实现大数据因果推理

· 因果推理如何启发机器学习，实现可解释泛化学习

2
课程详情

现阶段机器学习尤其是深度学习的主要特点在于数据驱动、关联学习、和概率输出。例如，基于深度学习网络，输入熊猫的图片，算法能够准确的将这张图片识别为熊猫，但是当我们对输入的图片加一些随机噪声后，算法的识别结果就会完全变化。为什么图像会被识别为“熊猫”？为什么加入噪音，模型输出就谬以千里？模型难以解释且预测不稳定是深度学习面临的重大挑战。

我们认为这些问题的主要根源在于因果机制尚未融入机器学习。因此，需要从关联分析跨越到因果推理，将因果引入机器学习，从而实现模型的可解释性和稳定性。

大数据因果推理是实现从关联分析跨越到因果推理的核心一环。当因果推理遇上大数据，会面临高维连续变量，混淆变量观测不全等诸多挑战，导致传统因果推理方法在大数据环境下失效。如何利用机器学习和深度学习的技术，发挥数据优势、激发算法潜能，是实现大数据因果推理的核心。

另一方面，因果关系的可解释性和稳定性也给机器学习的可泛化性带来了可能。我们训练机器学习模型的数据往往是有偏的，如混淆偏差和选择偏差等，导致变量之间存在不稳定且不可解释的虚假关联。消除虚假关联，恢复因果关联是实现可解释可泛化机器学习的关键。

3
讲师简介

况   琨

况琨，浙江大学计算机学院副教授，博士生导师，人工智能系副主任。2019年获得清华大学计算机科学与技术专业博士学位，2017-2018年访问美国斯坦福大学。获第七届中国科协青年人才托举工程项目支持，2021年度中国电子学会科学技术奖（科技进步）一等奖，2020年度中国人工智能学会优秀博士学位论文提名奖。主要研究方向包括因果推理、人工智能、因果指导的可信机器学习，关注机器学习的可解释性、稳定性、公平性和可回溯性。在数据挖掘和机器学习领域已发表近40余篇顶级会议和期刊文章，包括KDD、ICML、MM、AAAI、TKDE、TKDD、Engineering等。

4
《追AI的人》是什么？

《追AI的人》系列直播是一档由阿里巴巴人工智能治理与可持续发展实验室(AAIG)联合高校和产业界发起的AI治理交互栏目。

重点关注并分享人工智能新技术、AI治理新观点、可持续发展新风向。

👆扫码回复PPT  往期PPT尽情下载！

追AI的人 往期推荐点击标题查看文章































这个AI不太冷 往期推荐点击标题查看文章





产业实践 往期推荐点击标题查看文章







































技术干货 往期推荐点击标题查看文章























爱心公益 往期推荐点击标题查看文章









AAIG CUP 往期推荐点击标题查看文章

更多人工智能治理和可持续发展

技术干货+产业实践分享

点击下方名片关注和星标

【阿里巴巴人工智能治理与可持续发展实验室】

 关注公众号发现更多干货

👇AAIG课代表，获取最新动态就找他