原创力文档- 1、本文档共34页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
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。
文档评论（0）