构建鲁棒的机器学习模型是实现安全、可信、可靠的新一代人工智能技术的重要基础之一。因果推断通过发现数据中的因果关系揭示数据背后的规律与机制，为构建鲁棒的机器学习模型提供了有效途径。因此，如何从因果推断视角探索机器学习模型的鲁棒性问题是目前机器学习领域的热点研究课题。在Pearl's因果推理模型框架下，DAG学习是因果推断前提。近20年来，DAG学习一直是因果推理领域的核心研究方向。探索如何高效的从数据中学习DAG以及探讨DAG学习与机器学习模型的鲁棒性问题，是因果推断与机器学习融合的重要研究方向。
集智俱乐部联合智源社区，组织因果科学系列读书会第二季，从基础和实操角度出发，精读两本因果科学方向的入门教材。详情见文末。
本次报告，我们将汇报团队在DAG学习与因果特征选择、因果特征选择与传统特征选择之间的一致性、及DAG学习与鲁棒机器学习方向上一些初步的研究工作。
俞奎，合肥工业大学计算机与信息学院黄山学者特聘教授，博士生导师。研究方向为因果推断与机器学习、自然语言处理等。在IEEE TPAMI、IEEE TKDE、IEEE TNNLS、ICML、KDD、AAAI等国际权威期刊与国际顶级会议发表学术论文40多篇。曾获2014年度中国计算机学会（CCF）优秀博士学位论文奖，2014年度加拿大太平洋数学研究院（PIMS）博士后奖。目前主持科技部科技创新2030-“新一代人工智能”重大项目课题一项，国家自然科学基金面上项目一项。安徽省人工智能学会认知智能与知识工程专委会主任，中国人工智能学会不确定性人工智能专委会委员，粒计算与知识发现专委会委员；担任多个国际人工智能领域顶级会议的领域主席与程序委员会委员。
主要参考文献：
1. Schölkopf, Bernhard, Francesco Locatello, Stefan Bauer, Nan Rosemary Ke, Nal Kalchbrenner, Anirudh Goyal, and Yoshua Bengio. Toward causal representation learning. Proceedings of the IEEE 109, 5 (2021): 612-634.
2. Peters, Jonas, Peter Bühlmann, and Nicolai Meinshausen. Causal inference by using invariant prediction: identification and confidence intervals. Journal of the Royal Statistical Society. Series B (Statistical Methodology) (2016): 947-1012.
3. Kun Kuang, Peng Cui, Susan Athey, Ruoxuan Xiong and Bo Li. Stable Prediction across Unknown Environments. KDD, 2018.
4. Kui Yu, Lin Liu, and Jiuyong Li. A Unified View of Causal and Non-causal Feature Selection. ACM Transactions on Knowledge Discovery from Data (TKDD), doi.org/10.1145/3436891, 2021.
5. Kui Yu, Lin Liu, Jiuyong Li, Wei Ding, and Thuc Le. Multi-Source Causal Feature Selection. IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), 42(9): 2240-2256, 2020.
6. Yang Shuai, Kui Yu, Fuyuan Cao, Lin Liu, Hao Wang, and Jiuyong Li. Learning causal representations for robust domain adaptation. arXiv preprint arXiv:2011.06317 (2020).
参与时间：
7月4日（周日）上午8:00-10:00
参与方式：
因果推断与机器学习领域的结合已经吸引了越来越多来自学界业界的关注，为深入探讨、普及推广因果科学议题，智源社区携手集智俱乐部将举办第二季「因果科学与CausalAI读书会」。本期读书会着力于实操性、基础性，将带领大家精读因果科学方向两本非常受广泛认可的入门教材。1. Pearl, Judea, Madelyn Glymour, and Nicholas P. Jewell. Causal inference in statistics: A primer. John Wiley & Sons, 2016.（本书中译版《统计因果推理入门（翻译版）》已由高等教育出版社出版）2. Peters, Jonas, Dominik Janzing, and Bernhard Schölkopf. Elements of causal inference: foundations and learning algorithms. The MIT Press, 2017.
读书会每周将进行直播讨论，进行问题交流、重点概念分享、阅读概览和编程实践内容分析。非常适合有机器学习背景，希望深入学习因果科学基础知识和重要模型方法，寻求解决相关研究问题的朋友参加。目前因果科学读书会系列，已经有接近400多位的海内外高校科研院所的一线科研工作者以及互联网一线从业人员参与，吸引了国内和国际上大部分的因果科学领域的专业科研人员，如果你也对这个主题感兴趣，想要深度地参与，就快加入我们吧！
点击“阅读原文”，即可报名读书会
