会议预告｜稳定学习：寻找因果推理和机器学习之间的共同点

　　在机器学习中，预测基于观察到的特征进行未来结果值的推断是一个常见问题。许多学习算法已被提出并显示出在测试数据和训练数据来自同一分布时的成功性。然而，针对特定分布的训练数据表现最佳的模型，通常会利用特征之间的微妙统计关系，这使得当它们应用于与训练数据分布不同的测试数据时，更有可能出现预测误差。因此，如何开发对数据变化稳定且鲁棒的学习模型，对于学术研究和实际应用都至关重要。因果推理，即基于效果发生条件来推断因果联系的过程，是一种强大的统计建模工具，可用于解释性和稳定学习。本文聚焦于稳定学习的最新进展，旨在从观测数据中探索因果知识，以提高机器学习算法的可解释性和稳定性。