李飞飞团队最新论文：提出新网络，学习新策略，让AI通过视觉观察实现因果归纳
10月份的趁还热乎，先睹为快，顺道翻译
论文：https://arxiv.org/pdf/1910.01751.pdf
图灵奖得主Judea Pearl就曾指出，机器学习的突破口在于“因果革命”。
这不ImageNet挑战结束了，但是团队和工作还在啊，李飞飞团队相关论文来了
先看结论
结论
我们对下面2点提出了新颖的技术
1）从原始视觉观察的因果总结
2）对目标条件策略的因果图编码，
这两者都可以更好地推广到看不见的因果结构。我们的主要见解是，通过利用迭代预测和关注瓶颈，它有助于我们的因果归纳模型和目标条件策略专注于因果图的相关部分。使用这种方法，与以前因果结构有限的著作相比，我们对新问题实例的概括性更好。
在这项工作中，我们通过一个启发式策略，收集的观测数据中得出因果结构。
我们计划探索更复杂的任务，其中有探索环境以发现因果结构需要更复杂的策略，并开发可以共同学习交互策略的算法。
摘要
因果推理一直是人类和其他智能动物与现实世界互动的必不可少的能力。 在这项工作中，我们建议赋予人工代理以因果推理的能力以完成目标导向的任务。我们开发基于学习的方法来诱发因果关系有向无环图形式的知识，
可以用来将学习到的目标条件策略关联起来，以便在具有潜在因果结构的新型环境中执行任务。 我们在因果归纳模型和目标条件策略中利用注意力机制，从而使我们能够逐步产生从代理人的视觉观察中得出因果图，并有选择地使用导出的图来确定操作。 我们的实验表明，这种基于学习的方法可以有效地在具有未知因果结构的新环境中完成新任务。
看了这俩部分，大概知道了，这应该只是系列论文的前菜，用实验证明机器学习的突破口在于“因果革命”，主菜还在做呢~~~~那实验部分就先不翻了