李飛飛團隊最新論文：提出新網絡，學習新策略，讓AI通過視覺觀察實現因果歸納
10月份的趁還熱乎，先睹爲快，順道翻譯
論文：https://arxiv.org/pdf/1910.01751.pdf
圖靈獎得主Judea Pearl就曾指出，機器學習的突破口在於“因果革命”。
這不ImageNet挑戰結束了，但是團隊和工作還在啊，李飛飛團隊相關論文來了
先看結論
結論
我們對下面2點提出了新穎的技術
1）從原始視覺觀察的因果總結
2）對目標條件策略的因果圖編碼，
這兩者都可以更好地推廣到看不見的因果結構。我們的主要見解是，通過利用迭代預測和關注瓶頸，它有助於我們的因果歸納模型和目標條件策略專注於因果圖的相關部分。使用這種方法，與以前因果結構有限的著作相比，我們對新問題實例的概括性更好。
在這項工作中，我們通過一個啓發式策略，收集的觀測數據中得出因果結構。
我們計劃探索更復雜的任務，其中有探索環境以發現因果結構需要更復雜的策略，並開發可以共同學習交互策略的算法。
摘要
因果推理一直是人類和其他智能動物與現實世界互動的必不可少的能力。 在這項工作中，我們建議賦予人工代理以因果推理的能力以完成目標導向的任務。我們開發基於學習的方法來誘發因果關係有向無環圖形式的知識，
可以用來將學習到的目標條件策略關聯起來，以便在具有潛在因果結構的新型環境中執行任務。 我們在因果歸納模型和目標條件策略中利用注意力機制，從而使我們能夠逐步產生從代理人的視覺觀察中得出因果圖，並有選擇地使用導出的圖來確定操作。 我們的實驗表明，這種基於學習的方法可以有效地在具有未知因果結構的新環境中完成新任務。
看了這倆部分，大概知道了，這應該只是系列論文的前菜，用實驗證明機器學習的突破口在於“因果革命”，主菜還在做呢~~~~那實驗部分就先不翻了