ICLR 2020 系列论文解读公开课第四期，就在本周二 20:00 整（北京时间）。
AI科技评论 x AI研习社联合出品
针对ICLR 2020不能现场参会的特殊情况，AI研习社联合AI科技评论组织策划了【ICLR 2020 系列专题】活动，【ICLR 2020系列论) U 6 h 0文解读公开课】是其中重要的j 4 N T组成部分，另外还包括系列论文文字解读，会议数据分析，会议资源下载等。
疫情拉开了大家的距离，但是学术交流是不会就因为疫情被D F F F 7 @ l z阻挡的，我们愿架起这座学者之间的桥梁，3 f n R Y以最短路径，让更多学者能更快的) K n &参与= b z其中，促进学术交流，让知S r Z k j L K识真正流动！
本次直播为【ICLR 2020 系列论& 5 _ D文解读公开课】第四期，此论文来自华为诺亚实验室的 ICLR 2020满分论文《Causal Discovery with R^ K b -einforcement Learning》，我们有幸请到了论文的一作、华为诺亚方舟实验室高级研究员朱胜宇博士带来“基于强化学习的因果发现”的分享。
论文简介如下：
论文地址：https://arxiv.org/pdf/1906.04477.pdf
因果研究作为下一个潜在的热点，已经吸引了机器学习/深度学习领域的的广泛关注，例如Youshua Beng. 7 ` B ] rio和Fei-Fei Li近期都有相关的工作。因果研究中一个经典的问题是“因果发现”问题—[ l Q q q k 2 w 9—从被I n a动可观测的数H Y N s D *据中发现潜在的因果图结构。
华为诺亚方舟实验室因果研究团队将强化学习应用到打v M @ z P o分法的因果发现算法中Z Q n m N，通过基于自注意力机制的encoder-decoder神经网络模型探索数据之间的关系，结合因果结构的条件，并使用策略梯度的强化学习算法对神经网络参数进行训练，最终得到因V # j v . X I f果图结构。
在学术界常用的一些数据模型中，该方法在中等规模的图上的表现优于其他方法，包括传统的因果发现算法和近期的基于梯度的算法。同时该方法非常灵活，可以和任意的打分函数结合使用。
扫描下方海报二维码，直达直播报名页面：
