清华大学崔鹏：探索因果推理和机器学习的共同基础.pdfVIP

清华大学崔鹏：探索因果推理和机器学习的共同基础--第1页

清华大学崔鹏：探索因果推理和机器学习的

共同基础

近年来，因果推理在人工智能研究社区中的热度逐渐提升，许多深度

学习领域的顶级科学家也多次指出：因果推理在机器学习中会起到关

键性的作用。

因此，近期很多研究方向的工作都或多或少地与因果推理有所结

合。在11月27日由智源举办的

NeurIPS

2020中国预讲会上，来自清华大学计算机科学与技术系的崔鹏副教

授发表了主题为「稳定学习：发掘因果推理和机器学习的共同基础」

的演讲，崔老师表示，「我们将站在机器学习的角度，探讨如何看待

因果推理。」

崔鹏是清华大学长聘副教授，于2010年获得清华大学博士学位，

研究兴趣包括大数据环境下的因果推理与稳定预测、网络表征学习，

及其在金融科技、智慧医疗及社交网络等场景中的应用。他在数据挖

掘和多媒体领域的著名会议和期刊上发表了100多篇论文，并先后获

得7项国际会议及期刊最佳论文奖。他于2015年获得ACM中国新

星奖，并于2018年获得CCF-IEEE

清华大学崔鹏：探索因果推理和机器学习的共同基础--第1页

清华大学崔鹏：探索因果推理和机器学习的共同基础--第2页

CS青年科学家奖，目前是CCF的杰出会员以及IEEE的高级会员。

图1：崔老师在预讲会直播页面

实际上，「因果」的概念在哲学领域已经经历了数百年的发展。上

世纪二十年代，「因果」的概念在统计领域出现，也具有相当长的发

展历史。至今，「因果」已经成为了一个独立、成熟的研究方向，越

来越多机器学习领域的研究者试图通过引入因果的相关概念来解决

机器学习中的一些基础问题。

在本次演讲中，崔老师结合其研究组近年来的相关研究工作，针

对如何「将因果与机器学习相结合」这一问题进行了分享。

自2016年起，崔老师的团队开始深入研究如何将因果推理与机

器学习相结合，并最终形成了「稳定学习」（stablelearning）的研究

清华大学崔鹏：探索因果推理和机器学习的共同基础--第2页

清华大学崔鹏：探索因果推理和机器学习的共同基础--第3页

方向。从宏观的角度来看，稳定学习旨在寻找因果推理与机器学习之

间的共同基础，从而应对一系列有待解决的问题。

在演讲中，崔老师首先介绍了当下人工智能存在的风险，即不可

解释性和不稳定性，并指出，关联统计是导致这些风险的重要原因。

而结合因果推断的机器学习可以克服这两个缺陷，实现稳定学习。值

得一提的是，从因果角度出发，可解释性和稳定性之间存在一定的内

在关系，即通过优化模型的稳定性亦可提升其可解释性。

然后，崔老师介绍了如何通过「混淆变量平衡」的思想实现稳定

学习，并指出其具有理论保障。实验结果也表明：「训练和测试时环

境差异越大，采用因果方法相对于关联方法取得的性能提升也就越

大」，从而展现了因果推断对于降低机器学习风险、克服关联统计缺

陷的优势，以及引领机器学习下一个发展方向的潜力。

以下是演讲全文，AI科技评论进行了不改变原意的整理，文章已

经过崔老师修改及确认。

清华大学崔鹏：探索因果推理和机器学习的共同基础--第3页

清华大学崔鹏：探索因果推理和机器学习的共同基础--第4页

1

研究背景

图2：人工智能技术正从性能驱动走向风险敏感的应用领域

如今，人工智能技术的应用研究进入了「深水区」，暴露出现有的

机器学习方法存在的许多风险和短板。