综述
2021年2月，来自图灵奖获得者，Google学者Y Bengio的团队，发表了一篇综述：《Towards Causal Representation Learning》，Towards Causal Representation Learning.pdf
论文主要观点：
因果表示学习探索。回顾了因果推理的基本概念，并将其与机器学习的关键性开放问题联系起来，包括迁移和泛化，分析因果关系如何为现代机器学习研究做出贡献。讨论同时也涉及到相反的方向：因果方面的大多数工作都是从因果变量给定的前提开始的。因此，人工智能和因果性的一个核心问题是因果表示学习，即从低级观测值中发现高级因果变量。最后，划定了因果性对机器学习的一些影响，并提出了两个社区交叉的关键研究领域，包括在一定规模上学习非线性因果关系，因果变量的学习、理解现有深度学习方法的偏差、学习世界和智能体的因果正确模型。
与现代机器学习的关联
1、迁移性、一般性
2、鲁棒性（可干预）
3、迁移学习、可持续学习、元学习
1、因果表征：从非结构化的数据中提取出可以用于因果推断的结构化变量
以前的因果推理只能基于结构化的数据
主要问题
1、causal discovery
2、learn robust representation
domain adaptation / 加入公平性的constraints
3、帮助机器学习
debiasing recommendation system / unbiased learning to rank
设立新的基准
1、干预的鲁棒性
2、与train环境无关
文章集合
若有收获，就点个赞吧
0 人点赞
