IAI“名师讲堂”介绍：

人工智能研究院学生会自2023年开始组织“名师讲堂”系列学术讲座，目的是搭建师生互动桥梁，开拓学生眼界，引导学生面向国家重大战略需求和国际学术前沿进行生涯规划。

第三期讲座邀请人工智能研究院张宝昌老师主讲《解耦因果学习方法与应用》。

人工智能的发展瓶颈

张宝昌老师从我们当下所处的第四次技术革命讲起，介绍了在当前以深度学习为代表的智能化革命中，对大数据的依赖构成了人工智能在可解释性与鲁棒性方面的发展瓶颈。若将深度学习目标定为发现因果表征、进行因果推理，则不需要样本数据的要求，且符合人类的认知规律，能极大改善可解释性和鲁棒性。

因果解耦

张宝昌老师讲述了“诺贝尔奖与巧克力消费量的关系”的例子，以通俗易懂的语言解释了关联关系和因果关系的区别。通过辛普森悖论，他指出不同的数据统计、解读方式可能导向不同的结论。这些非真正因果关系的假象都会对模型构建造成极大干扰，对因果进行解耦是研究的关键。他进一步以“糖尿病、高血压和死亡的关系”这一生活化的事例，形象地解释了因果解耦的核心思想。张宝昌老师提醒同学们不论是在研究中还是在生活中，都要以严谨的态度探察事物之间的因果逻辑关系，避免被假象误导。

使用协同梯度下降算法进行解耦学习

张宝昌老师指出，深度学习模型存在大量耦合参数，解耦是建立基于因果关系的可信机器学习系统的关键。他以简明的公式阐明了经典机器学习算法忽略了变量之间的耦合关系，进而向同学们介绍了双线性模型，以及其课题组基于该模型提出的协同梯度下降算法，指出该方法可实现基于因果关系的推理模型。

解耦因果学习的应用

张宝昌老师以在红外目标检测、复杂背景下的小目标检测等任务为例，指出现有方法存在样本量少、信息丢失等方面的不足。他强调这些不足限制了特征表达能力，并指出通过对噪声和特征进行解耦，可提取得到因果特征。张宝昌老师还引述丰富详实的文献，介绍了 Gabor 卷积神经网络、联想学习、知识内嵌、脑启发的人类认知智能感知等研究方向，并呼吁同学们勇于投身人工智能理论研究工作中。

小结

张宝昌老师的讲座从人工智能的发展瓶颈出发，阐述了因果解耦学习的思想，介绍了基于该思想的协同梯度下降算法在诸多领域中的应用。在讲座结束后，多名同学结合讲座内容的启发以及自己学习中的困惑，与张宝昌老师展开交流。张宝昌老师对同学们的问题都进行了悉心解答。张宝昌老师的讲座启发了同学们在推进改善人工智能鲁棒性、可解释性的思路，鼓舞了同学们投身中国人工智能事业创新发展。