一作解读DeepMind最新论文：连接图神经网络与结构因果模型丨周五直播

导语

结构因果模型（SCM）是表示因果关系的重要方法。图神经网络是在多个领域都取得出色表现的深度学习新贵。DeepMind9月10日提交在arXiv的最新工作“Relating Graph Neural Networks to Structural Causal Models”，提出了基于图神经网络的变分图自编码器来解决因果问题，在图神经网络和结构因果模型之间建立了新的联系，是在深度学习在因果推断问题上的新尝试。

集智俱乐部特别邀请到论文第一作者Matej Zečević进行一场线上直播，详细介绍这项工作并与感兴趣的国内外同行交流。直播时间为9月24日（周五）21:00-22:00，欢迎感兴趣的朋友报名。参与方式为zoom会议室和B站。本次直播交流语言为英文。

论文题目： Relating Graph Neural Networks to Structural Causal Models 论文地址： https://arxiv.org/abs/2109.04173

理解因果是人类认知的核心，而深度学习在函数拟合方面获取了巨大的成功，如何将因果关系与深度学习的理论相结合，是理解人类智能的关键之一。

本次分享将以神经-因果（Neuro-Causality）这个值得探讨的新方向开始，基于之前的探索，Xia, Lee, Bengio 和 Bareinboim最近形式化了因果与神经网络之间的关系（e.g. Kocaoglu et al. 2017, Ke et al. 2020），神经-因果模型有望可以在一些广泛的应用中，实现基于神经网络的因果推理。

Judea Pearl在他的开创性著作中对纯粹因果关系进行了形式化的思考，并用结构因果模型 (Structural causal model, SCM) 来描述它，因果结构模型可以描述现实世界中人们感兴趣的变量及其相互作用，是一种能够形式化表述数据背后因果假设的方法。对于大多数感兴趣的过程来说，底层的SCM只是部分可见的，因此因果推理试图利用任何可观测的信息。

图神经网络 (Graph neural networks, GNNs) 可以处理图类型数据，能够对连边和节点进行建模，在药物发现和地图预测等方面取得了很好的效果，但GNN模型在输入的结构上存在归纳偏置，即，输入的维度是相关的，这样它们就形成了一个图结构。

基于这两个模型的核心结构都是图结构，DeepMind团队Zečević, Dhami, Veličković, 和 Kersting设计了一种基于图神经网络的变分图自编码器，用于近似Pearl因果层次结构中的因果计算问题，建立了图神经网络和结构因果模型之间的转换机制。

本次分享作者将会从第一性原理出发，推导出GNN和SCM之间的理论联系，并提供一个对一般神经因果模型的扩展观点，提出了Neural Causal Models (NCM) 模型，通过形式化GNN的干预，利用变分图自编码器建立了一个新的神经因果模型类，并用实证检验了该理论模型在识别和估计任务中的实际因果推理，最后作者将对神经-因果的关系未来有趣的研究方向进行进一步的展望，提出更多可以进一步探索的方向。

分享人

Matej Zečević，达姆施塔特工业大学（Technische Universität Darmstadt）计算机科学专业博士候选人。他的研究兴趣是强化学习中的Disentanglement问题。

个人主页：https://matej-zecevic.de/