IAI“名師講堂”介紹：

人工智能研究院學生會自2023年開始組織“名師講堂”系列學術講座，目的是搭建師生互動橋梁，開拓學生眼界，引導學生面向國家重大戰略需求和國際學術前沿進行生涯規劃。

第三期講座邀請人工智能研究院張寶昌老師主講《解耦因果學習方法與應用》。

人工智能的發展瓶頸

張寶昌老師從我們當下所處的第四次技術革命講起，介紹了在當前以深度學習為代表的智能化革命中，對大數據的依賴構成了人工智能在可解釋性與魯棒性方面的發展瓶頸。若将深度學習目标定為發現因果表征、進行因果推理，則不需要樣本數據的要求，且符合人類的認知規律，能極大改善可解釋性和魯棒性。

因果解耦

張寶昌老師講述了“諾貝爾獎與巧克力消費量的關系”的例子，以通俗易懂的語言解釋了關聯關系和因果關系的區别。通過辛普森悖論，他指出不同的數據統計、解讀方式可能導向不同的結論。這些非真正因果關系的假象都會對模型構建造成極大幹擾，對因果進行解耦是研究的關鍵。他進一步以“糖尿病、高血壓和死亡的關系”這一生活化的事例，形象地解釋了因果解耦的核心思想。張寶昌老師提醒同學們不論是在研究中還是在生活中，都要以嚴謹的态度探察事物之間的因果邏輯關系，避免被假象誤導。

使用協同梯度下降算法進行解耦學習

張寶昌老師指出，深度學習模型存在大量耦合參數，解耦是建立基于因果關系的可信機器學習系統的關鍵。他以簡明的公式闡明了經典機器學習算法忽略了變量之間的耦合關系，進而向同學們介紹了雙線性模型，以及其課題組基于該模型提出的協同梯度下降算法，指出該方法可實現基于因果關系的推理模型。

解耦因果學習的應用

張寶昌老師以在紅外目标檢測、複雜背景下的小目标檢測等任務為例，指出現有方法存在樣本量少、信息丢失等方面的不足。他強調這些不足限制了特征表達能力，并指出通過對噪聲和特征進行解耦，可提取得到因果特征。張寶昌老師還引述豐富詳實的文獻，介紹了 Gabor 卷積神經網絡、聯想學習、知識内嵌、腦啟發的人類認知智能感知等研究方向，并呼籲同學們勇于投身人工智能理論研究工作中。

小結

張寶昌老師的講座從人工智能的發展瓶頸出發，闡述了因果解耦學習的思想，介紹了基于該思想的協同梯度下降算法在諸多領域中的應用。在講座結束後，多名同學結合講座内容的啟發以及自己學習中的困惑，與張寶昌老師展開交流。張寶昌老師對同學們的問題都進行了悉心解答。張寶昌老師的講座啟發了同學們在推進改善人工智能魯棒性、可解釋性的思路，鼓舞了同學們投身中國人工智能事業創新發展。