集智百科 - 复杂系统|人工智能|复杂科学|复杂网络|自组织 - 用户贡献 [zh-cn]

贝叶斯网络

2021-05-20T03:07:01Z

陶如意：

{{#seo:
|keywords=贝叶斯网络,概率图
|description=是一种理想的分析工具，用来预测一个事件的发生是由已知原因中的哪一个（些）引起的。
}}
'''贝叶斯网络 Bayesian network（BN）'''、'''信念网络 belief network'''、'''决策网络 decision network'''、'''贝叶斯模型 Bayes(ian) model'''或'''概率有向无环图模型 probabilistic directed acyclic graphical model'''是一种概率图模型（一种统计模型），它通过有向无环图无环图 directed acyclic graph（DAG）表示一组随机变量及其条件依赖关系。贝叶斯网络是一种理想的分析工具，用来预测一个事件的发生是由已知原因中的哪一个（些）引起的。例如，贝叶斯网络可以表示疾病和症状之间的概率关系。在给定症状的情况下，该网络可用于计算各种疾病出现的概率。

贝叶斯网络有多种变体。用来建模序列变量（例如，语音信号或蛋白质序列）的贝叶斯网络被称为'''动态贝叶斯网络 dynamic Bayesian network'''。贝叶斯网络可以进一步扩展，用来表示和解决在不确定性因素下的决策问题，这种扩展称为'''影响图 influence diagram'''。现在已有高效的算法学习出贝叶斯网络的结构，并通过贝叶斯网络做推理。

==图模型==
在形式上，贝叶斯网络是'''有向无环图 Directed acyclic graph（DAG）'''，其节点表示随机变量（其概率为'''贝叶斯概率'''）；它们可以是可观测量变量、隐变量、未知参数或假设。图中的边表示条件依赖；未连接（没有路径连接一个节点到另一个节点）的节点表示彼此之间条件独立。每个节点都与一个'''概率函数 Probability function '''节点相关联，该函数把所有父节点代表的变量值作为输入，并给出该节点表示的随机变量的概率（或概率分布）。例如，如果 <math> m </math> 父节点表示 <math>m</math> 布尔变量，那么概率函数可以用一个包含<math>2^m</math>行的表格表示，每一行代表一种（父节点）变量值的组合，以及对应的子节点变量的概率值。类似的想法可以应用于有环无向图，如[[马尔可夫网络 Markov network]]。

==举例==

[[Image:SimpleBayesNet.svg|400px|thumb|right|一个简单的贝叶斯网络，及其条件概率表 ]]

草地变得湿润，可能有两种原因：主动洒水或者下雨。雨对洒水车的使用有直接的影响（也就是说，当下雨时，洒水车通常是不工作的）。这种情况可以用贝叶斯网络来模拟（如右图所示）。每个变量有两个可能的值，T (表示真)和 F (表示假)。

对应的'''联合概率函数 Joint probability distribution'''是:

<math>\Pr(G,S,R)=\Pr(G\mid S,R) \Pr(S\mid R)\Pr(R)</math>

其中''G''表示“草地湿了（是/否）”，''S''表示“洒水器打开（是/否）”，''R''表示“下雨（是/否）”。

这个模型可以回答在给定一个结果的情况下一个原因是否存在的问题，比如“给定草是湿的，下雨的概率是多少? ”通过使用条件概率公式并对所有[[干扰变量 nuisance variable]]的求和:

<math>\Pr(R=T\mid G=T) =\frac{\Pr(G=T,R=T)}{\Pr(G=T)} = \frac{\sum_{S \in \{T, F\}}\Pr(G=T, S,R=T)}{\sum_{S, R \in \{T, F\}} \Pr(G=T,S,R)}</math>

展开概率函数<math>\Pr(G,S,R)</math> ，并使用图中列出的条件概率，我们可以算出分子和分母中的各个项。比如说,

<math>\begin{align}
\Pr(G=T, S=T,R=T) & = \Pr(G=T\mid S=T,R=T)\Pr(S=T\mid R=T)\Pr(R=T) \\
& = 0.99 \times 0.01 \times 0.2 \\
& = 0.00198.
\end{align}
</math>

算出来的结果是

<math>\Pr(R=T\mid G=T) = \frac{ 0.00198_{TTT} + 0.1584_{TFT} }{ 0.00198_{TTT} + 0.288_{TTF} + 0.1584_{TFT} + 0.0_{TFF} } = \frac{891}{2491}\approx 35.77 \%.</math>

这个模型还回答干预性的问题，比如“现在我们把草弄湿了，那么下雨的可能性有多大? ”答案取决于干预后的联合分布函数：

<math>\Pr(S,R\mid\text{do}(G=T)) = \Pr(S\mid R) \Pr(R)</math>

该分布通过从干预前的分布中去除因子<math>\Pr(G\mid S,R)</math>得到，其中do算子强行使 G 的值为真。演算后可知下雨的可能性不受此干预的影响:

<math>\Pr(R\mid\text{do}(G=T)) = \Pr(R).</math>

现在再预测开启洒水装置的影响:

<math>\Pr(R,G\mid\text{do}(S=T)) = \Pr(R)\Pr(G\mid R,S=T)</math>

移除<math>\Pr(S=T\mid R)</math> 这个项表明这种行为影响的是草，而不是雨。

考虑到未观测变量，这些预测可能并不可行，就像大多数策略评估问题一样。但是，只要满足后门准则，仍然可以预测 <math>\text{do}(x)</math>的效果。<ref name=pearl2000/><ref>{{cite web|url=http://bayes.cs.ucla.edu/BOOK-2K/ch3-3.pdf |title=The Back-Door Criterion |access-date=2014-09-18}}</ref> 如果一组观察到的变量''Z''能d-分隔(或阻塞)<ref>{{cite web|url=http://bayes.cs.ucla.edu/BOOK-09/ch11-1-2-final.pdf |title=d-Separation without Tears |access-date=2014-09-18}}</ref>从 ''X'' 到 ''Y'' 的所有'''"后门路径 back-door path'''，则有

<math>\Pr(Y,Z\mid\text{do}(x)) = \frac{\Pr(Y,Z,X=x)}{\Pr(X=x\mid Z)}.</math>

后门路径是一条箭头指向''X''的路径。满足后门标准的（观测变量）集合称为“充分的”或“有效的”。例如，集合 ''Z'' = ''R'' 能有效地预测 ''S'' = ''T'' 对 ''G'' 的影响，因为 ''R'' ''d''-分隔了(仅有的)后门路径 ''S'' ← ''R'' → ''G''。但是，如果 ''S'' 没有被观测到，没有其他观测变量集合来 ''d''-分隔这条路径，那就不能从观测数据中预测到“喷头被打开”(''S'' = ''T'')对于草地''G''的影响。在这种情况下，''P''(''G'' | do(''S'' = ''T''))就没有被“识别”。这反映了一个事实：在缺乏干预性数据的情况下无法确认观察到的 ''S'' 和 ''G'' 之间的依赖关系是不是一种因果关系(可能由共同原因引起的强相关，比如辛普森悖论)。

（由共同原因引起的明显依赖关系，r)。(见[[辛普森悖论 Simpson's paradox]]）

为了确定一个因果关系是否可以从一个含有未观测变量的贝叶斯网络中识别出来，我们可以使用“ do-演算”<ref name="pearl2000"/><ref name="pearl-r212">{{cite conference |url=http://dl.acm.org/ft_gateway.cfm?id=2074452&ftid=1062250&dwn=1&CFID=161588115&CFTOKEN=10243006 |title=A Probabilistic Calculus of Actions | vauthors = Pearl J |year=1994 | veditors = Lopez de Mantaras R, Poole D | booktitle = UAI'94 Proceedings of the Tenth international conference on Uncertainty in artificial intelligence |publisher=[[Morgan Kaufmann]] |location=San Mateo CA |pages=454–462 |isbn=1-55860-332-8 |arxiv=1302.6835 |bibcode=2013arXiv1302.6835P }}</ref> 的三个规则来检验是否所有的 do 项都可以从这个关系的表达式中去掉，从而确认所需的量可以从数据中估计出来。<ref>{{cite book | vauthors = Shpitser I, Pearl J | chapter = Identification of Conditional Interventional Distributions | veditors = Dechter R, Richardson TS | title = Proceedings of the Twenty-Second Conference on Uncertainty in Artificial Intelligence | pages = 437–444 | location = Corvallis, OR | publisher = AUAI Press | year = 2006 | arxiv = 1206.6876 }}</ref>

如果依赖关系在联合分布中是稀疏的（变量间依赖较少，即对应的图模型里的边较少），那么相对于存储一张完整的概率表，使用贝叶斯网络可以节省相当多的内存。例如，将10个二值变量的条件概率存储为一个表的，需要存储<math>2^{10} = 1024</math> 个值。而在每个变量最多依赖3个父变量的情况下，使用贝叶斯网络表示最多只存储<math>10\cdot2^3 = 80</math>个值。

相比于完全版的联合概率分布，理解（一组稀疏的）直接的变量间依赖关系和局部的概率分布对于人类来说要更加直观易懂。这正是贝叶斯网络的一个优点。

==推理与学习==

贝叶斯网络的推理和学习主要包含三个任务:

===推断未观测变量===

因为贝叶斯网络是变量及其关系的完整模型，所以它可以用来回答关于变量的概率问题。例如，当网络中某些变量被观测到时，也就是其确切值已知的情况下，我们可以更新对网络中其他未观测变量的认知。这种给定一些证据，然后计算的变量的后验概率的过程被称为'''概率推理 probabilistic inference'''。有时我们需要为某些变量赋值的同时最小化期望损失，此时后验概率为一些检测应用，例如检测决策错误的概率，提供了一个通用且充分的统计量。因此，贝叶斯网络可以被看作是一种应用贝叶斯定理解决复杂问题的自动化机制。

最常用的精确推理方法有: '''变量消除法'''，即通过积分或求和的方式将未观察到的非查询变量逐一消除；'''团树传播算法'''，它将计算过程缓存，可以同时查询多个变量，并快速传播新的证据； '''递归条件化 AND/OR 搜索法'''，它考虑了时间和空间取舍，并且在使用足够的空间时拥有与变量消除法相比拟的时间效率。所有这些方法的复杂度都随网络树宽的增长呈指数级上升。而最常见的近似推理算法有'''重要性抽样法 importance sampling'''、'''随机 MCMC 模拟法 Markov chain Monte Carlo'''、'''小桶消去法 '''、'''循环置信传播法 loopy belief propagation'''、'''广义置信传播法 generalized belief propagation'''和'''变分法 variational Bayes'''。

===参数学习===

为了获得一个完整的贝叶斯网络，从而获得一个完整的联合概率分布，需要详知道每个节点 ''X'' 的条件概率分布。''X'' 的条件概率分布可以有各种各样的形式，最长见到、用到的分布是离散分布或高斯分布，因为计算简便。有时我们只知道一个分布应该符合哪些约束条件。此时可以使用最大熵原理来确定一个分布，即给定约束条件下熵最大的分布。类似地，在'''动态贝叶斯网络B'''的特定上下文中，隐变量的条件分布通常也被认为是能最大化其随机过程的熵率的那一个分布。

通常这些条件分布包括未知的参数，必须从数据中估计出来，例如，使用'''最大似然估计 maximum likelihood'''。给定未观测的变量，直接进行最大化似然（或后验概率）往往是很复杂的。这个问题的一个经典解决方案是'''EM算法'''。它利用观测数据计算出未观测变量的期望值，并假设先前计算的期望值是正确的，然后最大化完全似然（或后验），求期望和最大化两个步骤交替迭代进行。在某些条件下，这个过程能收敛于待估计参数的最大似然值（或最大后验值）。

一个更彻底的贝叶斯估计方法是将参数视为附加的未观测变量，并根据观测数据计算包含所有节点的完整后验概率分布，然后积分出参数。这种方法可能代价高昂，并得出一个大规模的模型，但能使经典的参数估计方法更易于处理。

===结构学习===

在最简单的情况下，一个贝叶斯网络可以有领域专家人工构建，然后用它来执行推理。在其他应用程序中，构建网络的任务对于人类来说过于复杂。这种情况就必须从数据中学习网络结构和各个变量的局部分布。

自动化学习出贝叶斯网络的图形结构是机器学习领域的一个挑战。其基本思想可以追溯到由 Rebane 和 Pearl 提出的恢复算法。<ref>{{cite book | vauthors = Rebane G, Pearl J | chapter = The Recovery of Causal Poly-trees from Statistical Data| title = Proceedings, 3rd Workshop on Uncertainty in AI | location = Seattle, WA | pages = 222–228 | year = 1987 | arxiv = 1304.2736}}</ref>该算法的基础是三节点有向无环图中的三种可能模式:

{| class="wikitable"
|+Junction patterns
!Pattern
!Model
|-
|Chain
! <math>X \rightarrow Y \rightarrow Z</math>
|-
|Fork
| <math>X \leftarrow Y \rightarrow Z</math>
|-
|Collider
| <math>X \rightarrow Y \leftarrow Z</math>
|}

前2个种模式表示的依赖关系是相同的（在给定<math>Y</math> 时，<math>X</math> 和<math>Z</math>是独立的），因此无法区分。然而，第三种模式确实可以被识别的，因为<math>X</math> 和<math>Z</math>是边际独立的，而其他所有变量对都是依赖的。因此，虽然这三个节点的连接方式和前两种模式相同，但这种模式中箭头的方向是部分可识别的。当<math>X</math> 和<math>Z</math>有着共同的父母时，这种不同也能被识别。这个算法已经发展到能系统地确定图的框架，然后由从数据中观察到的条件独立性确定所有箭头的方向。<ref name="pearl2000">{{Cite book | first = Judea | last = Pearl | authorlink = Judea Pearl | title = Causality: Models, Reasoning, and Inference | publisher = [[Cambridge University Press]] | year = 2000 | isbn = 978-0-521-77362-1 | oclc = 42291253 }}</ref><ref>{{cite journal | vauthors = Spirtes P, Glymour C |title=An algorithm for fast recovery of sparse causal graphs |journal=Social Science Computer Review |volume=9 |issue=1 |pages=62–72 |year=1991 |doi=10.1177/089443939100900106 |url=http://repository.cmu.edu/cgi/viewcontent.cgi?article=1316&context=philosophy |format=PDF}}</ref><ref>{{cite book |first1=Peter |last1=Spirtes |first2=Clark N. |last2=Glymour |first3=Richard |last3=Scheines | name-list-format = vanc |title=Causation, Prediction, and Search |year=1993 |publisher=Springer-Verlag |isbn=978-0-387-97979-3 |edition=1st}}</ref><ref>{{cite conference |title=Equivalence and synthesis of causal models|first1=Thomas |last1=Verma |first2=Judea |last2=Pearl |year=1991 | veditors = Bonissone P, Henrion M, Kanal LN, Lemmer JF | booktitle = UAI '90 Proceedings of the Sixth Annual Conference on Uncertainty in Artificial Intelligence |publisher=Elsevier |pages=255–270 |isbn=0-444-89264-8 }}</ref>

另一种结构学习的方法是基于优化的搜索。它需要一个评分函数和一个搜索策略。一个常见的评分函数是给定训练数据的结构的[[后验概率 posterior probability]]，比如 BIC 或 BDeu。穷举搜索可以获得能最大化得分函数的结构，但其时间要求随变量数增长呈超指数增长。局部搜索策略则进行增量改变，一步步迭代式改进结构的得分。像马尔可夫链蒙特卡洛这样的全局搜索算法可以避免陷入局部最优。 Friedman 等人<ref>{{cite journal |last1=Friedman |first1=Nir |last2=Geiger |first2=Dan |last3=Goldszmidt |first3=Moises | name-list-format = vanc |date=November 1997 |title=Bayesian Network Classifiers |journal=Machine Learning |volume=29 |issue=2–3 |pages=131–163 |doi=10.1023/A:1007465528199|doi-access=free }}</ref><ref>{{cite journal | vauthors = Friedman N, Linial M, Nachman I, Pe'er D | title = Using Bayesian networks to analyze expression data | journal = Journal of Computational Biology | volume = 7 | issue = 3–4 | pages = 601–20 | date = August 2000 | pmid = 11108481 | doi = 10.1089/106652700750050961 | citeseerx = 10.1.1.191.139 }}</ref> 认为可以使用变量之间的互信息，并找到一个讷讷感最大化互信息的结构，方法是通过将候选的父选节点集限制为''k''个节点并在其中进行穷尽式搜索。

一个特别快速精确学习出贝叶斯网络的方法是把问题转化为一个最优化问题，并使用'''整数规划 integer program (IP)'''解决它。以'''切平面 Cutting-plane method'''的形式求解整数规划问题时，在整数规划中加入了不规则性约束，<ref>{{Cite journal|last=Cussens|first=James | name-list-format = vanc |year=2011|title=Bayesian network learning with cutting planes|url=https://dslpitt.org/papers/11/p153-cussens.pdf|journal=Proceedings of the 27th Conference Annual Conference on Uncertainty in Artificial Intelligence|volume=|pages=153–160|via=|bibcode=2012arXiv1202.3713C |arxiv=1202.3713 }}</ref>这种方法可以处理多达100个变量的问题。

处理成千上万个变量的问题时，则要用到不同的方。一种方法是采样出一个节点的（拓扑）排序，然后根据这种排序找到最优的网络结构。这意味着搜索工作只需要在包含可能排序的空间中进行，这比整个网络结构的搜索空间小，因而更加方便。可以进行多次采样和评估，这种方法在现有文献中已被证明在变量数量巨大的情况下是最佳的。<ref>{{cite book | vauthors = Scanagatta M, de Campos CP, Corani G, Zaffalon M | chapter-url = https://papers.nips.cc/paper/5803-learning-bayesian-networks-with-thousands-of-variables | chapter = Learning Bayesian Networks with Thousands of Variables | title = NIPS-15: Advances in Neural Information Processing Systems | volume = 28 | pages = 1855–1863 | year = 2015 }}</ref>

另一种方法是将重点放在具有可分解模型的子类上，其[[最大似然估计]]具有封闭形式。这样就有可能为数百个变量发现一致的结构。<ref name="Petitjean">{{cite conference |url=http://www.tiny-clues.eu/Research/Petitjean2013-ICDM.pdf |title= Scaling log-linear analysis to high-dimensional data | vauthors = Petitjean F, Webb GI, Nicholson AE |year=2013 |publisher=IEEE |conference=International Conference on Data Mining |location=Dallas, TX, USA }}</ref>

学习树宽有限的贝叶斯网络对于精确的，可追溯的推理是必要的，因为最坏情况下的推理复杂度也只是树宽 k 的指数级（在指数时间假设下）。然而，作为图表的全局属性，它大大增加了学习过程的难度。在这种情况下，可以使用 K 树进行有效的学习。<ref>M. Scanagatta, G. Corani, C. P. de Campos, and M. Zaffalon. [http://papers.nips.cc/paper/6232-learning-treewidth-bounded-bayesian-networks-with-thousands-of-variables Learning Treewidth-Bounded Bayesian Networks with Thousands of Variables.] In NIPS-16: Advances in Neural Information Processing Systems 29, 2016.</ref>

==统计学简介==

给定观测数据<math>x\,\!</math> 和模型参数 <math>\theta</math>，一个简单的贝叶斯分析任务就是用已知的先验概率<math>p(\theta)</math>和似然 <math>p(x\mid\theta)</math>，计算出后验概率<math>p(\theta\mid x) \propto p(x\mid\theta)p(\theta)</math>。

通常，先验概率<math>\theta</math>又依赖于并没有在似然中出现的参数<math>\varphi</math>，因此，必须用似然<math>p(\theta\mid \varphi)</math>代替先验概率<math>p(\theta)</math>，且需要用到新引入的参数<math>\varphi</math>的先验概率<math>p(\varphi)</math>。如此一来，新的后验概率就变成了

<math>p(\theta,\varphi\mid x) \propto p(x\mid\theta)p(\theta\mid\varphi)p(\varphi).</math>

这是''' 层次贝叶斯模型 hierarchical Bayes model'''最简单的例子。

这个过程可能会一直重复。例如，参数<math>\varphi</math>可能依次依赖于其他参数 <math>\psi\,\!</math>，这就又需要<math>\psi\,\!</math>的先验概率。最终，这个层次化嵌套的过程必须终止，亦即某参数的先验概率不依赖于其他参数。

===工业级案例===

给定观测到的一组测量数据<math>x_1,\dots,x_n\,\!</math>，每个数据点的误差都服从[[标准差 standard deviation]]为<math>\sigma\,\!</math>的[[正态分布 Normal distribution]]：

: <math>
x_i \sim N(\theta_i, \sigma^2)
</math>

假设我们想要估计<math>\theta_i</math>，一种方法是使用最大似然法。由于每个观测值是独立的，似然分解和最大似然估计很简单：

<math>
\theta_i = x_i.
</math>

然而，如果每个数据点相关的，例如每个<math>\theta_i</math>本身就是从一个潜在的分布中采样出来的出来的，那么这就破坏了独立性，并意味着要用到一个更复杂的模型，例如:

<math>
x_i \sim N(\theta_i,\sigma^2),
</math>
<math>
\theta_i\sim N(\varphi, \tau^2),
</math>

其中<math>\varphi\sim\text{flat}</math>, <math>\tau\sim\text{flat} \in (0,\infty)</math>是不准确的先验概率。这是一个确定的模型(即，模型参数存在唯一解)，且每个<math>\theta_i</math>的后验分布会在最大似然估计中被移除，或者说收缩，换成了他们的均值。这种“收缩”是层次贝叶斯模型中的典型处理方法。

===先验概率的约束条件===

在层次结构模型中选择先验分布时需要特别注意，尤其是身处高层次的变量，比如上述例子中的变量 <math>\tau\,\!</math> 。常用的的先验分布，例如[[Jeffreys先验]]往往不起作用，因为后验概率不是正规化的，而最小化预期损失得出的估计通常也无效。

==定义与概念==

贝叶斯网络现在有好几个等价的定义，在下文的介绍中我们用到两个符号设 ''G'' = (''V'',''E'')是一个[[有向无环图]]，再设''X'' = (''X''''v''), ''v'' ∈ ''V''为一组随机变量。

===因子分解定义===

若一组随机变量''X''的联合概率分布函数可以写成由几个单独的条件概率函数的乘积，则''X''是关于图''G''的贝叶斯网络:

<math> p (x) = \prod_{v \in V} p \left(x_v \,\big|\, x_{\operatorname{pa}(v)} \right) </math>

其中 pa(''v'')是 ''v''的父变量的集合（即，这些顶点通过一条边直接指向''v''）。

对于任何一组随机变量，他们各种取值组合的联合概率都可以通过使用链式规则(给定一个 ''X'' 的拓扑排序)从条件概率中计算出来，如下所示:

<math>\operatorname P(X_1=x_1, \ldots, X_n=x_n) = \prod_{v=1}^n \operatorname P \left(X_v=x_v \mid X_{v+1}=x_{v+1}, \ldots, X_n=x_n \right)</math>

使用上面贝叶斯网络的定义，还可以写成这样:

<math>\operatorname P(X_1=x_1, \ldots, X_n=x_n) = \prod_{v=1}^n \operatorname P (X_v=x_v \mid X_j=x_j \text{ for each } X_j\, \text{ that is a parent of } X_v\, )</math>

这两个表达式之间的区别是：给定父变量值，所有变量与他们的非后代变量条件独立。

===局部马尔可夫性===

若一组随机变量''X''满足'''局部马尔可夫性 local Markov property'''，即每个变量在给定父变量的情况下，条件独立于所有非后代变量，则称 ''X''是关于 ''G'' 的一个贝叶斯网络: :

<math> X_v \perp\!\!\!\perp X_{V \,\smallsetminus\, \operatorname{de}(v)} \mid X_{\operatorname{pa}(v)} \quad\text{for all }v \in V</math>

其中 de(''v'')是节点''v''的后代集合，''V'' \ de(''v'')是节点''v''的非后代集合。

这可以用类似于第一个定义的术语来表示，如

<math>
\begin{align}
& \operatorname P(X_v=x_v \mid X_i=x_i \text{ for each } X_i \text{ that is not a descendant of } X_v\, ) \\[6pt]
= {} & P(X_v=x_v \mid X_j=x_j \text{ for each } X_j \text{ that is a parent of } X_v\, )
\end{align}
</math>

因为贝叶斯网络是[[非循环的 acyclic]]，所以每个节点的父节点集同时也是该节点的是非后代节点集的一个子集。

===生成一个贝叶斯网络===

生成一个贝叶斯网络通常从创建一个有向无环图''G''开始，然后使图''G''里的随机变量''X''满足的局部马尔可夫性。有时这个图同时还是一个因果图。接下来，图里的每一个随机变量的概率分布都要被估计出来。在许多情况下，特别是在变量都是离散的情况下，如果 ''X'' 的联合分布是这些单个随机变量的条件分布的乘积，那么 ''X'' 就是 ''G'' 的贝叶斯网络。.<ref>{{cite book |first=Richard E. |last=Neapolitan | name-list-format = vanc |title=Learning Bayesian networks |year=2004 |publisher=Prentice Hall |isbn=978-0-13-012534-7 }}</ref>

===马尔科夫毯===

一个节点的'''马尔可夫毯 Markov blanket'''是由其父节点、其子节点和其子节点的所有其他父节点组成的节点集。一个节点的马尔可夫毯可以使该节点独立于网络的其余部分。一个节点的马尔可夫毯中所有变量的联合分布是计算该节点分布的一个充分条件。如果网络中的每个节点再给定其马尔可夫毯的情况下，条件地独立于网络中的所有其他节点，那么 ''X'' 就是 ''G'' 的贝叶斯网络。

===''d''-分隔===

使用''d''-分隔的概念，贝叶斯网络的定义可以更加通用，其中 d 代表有向的。<ref>{{cite journal|last=Geiger |first=Dan |last2=Verma |first2=Thomas |last3=Pearl |first3=Judea | name-list-format = vanc |title=Identifying independence in Bayesian Networks |journal=Networks |year=1990 |volume=20 |pages=507–534 |doi=10.1177/089443939100900106 |url=http://ftp.cs.ucla.edu/pub/stat_ser/r116.pdf }}</ref><ref>{{citation |author=Richard Scheines|title=D-separation|url=http://www.andrew.cmu.edu/user/scheines/tutor/d-sep.html}}</ref> 我们首先定义一条轨迹的''d''-分隔的线索，然后我们再定义两个节点间的''d''-分隔。

设 ''P'' 是从节点 ''u'' 到节点 ''v'' 的轨迹。轨迹是一条两个节点之间的无环、无向的(即所有边方向被忽略)的路径。如果下列任何一个条件成立，则称 ''P'' 被一组节点 ''Z'' 分隔:

*''P''包含一条有向链<math> u \cdots \leftarrow m \leftarrow \cdots v</math> or <math> u \cdots \rightarrow m \rightarrow \cdots v</math>, 其中间节点''m''属于点集''Z''，
*''P''包含一个分叉<math> u \cdots \leftarrow m \rightarrow \cdots v</math>, 其中间节点''m''位于“Z”中，或
*''P''包含一个倒叉（或称对撞），<math> u \cdots \rightarrow m \leftarrow \cdots v</math>，其中间节点''m''不在''Z''中，在''Z''中也没有''m''的后代节点。

如果节点 ''u'' 和 ''v'' 之间的所有轨迹都是''d''-分隔的，则称节点 ''u'' 和 ''v'' 被 ''Z'' 分开。如果 '''u'' 和 ''v'' 不是''d''-分隔的，则称它们是 ''d''-连通的。

我们称''X''是''G''的贝叶斯网络，当对于图''G''中任意两个节点 ''u''，''v''满足:

<math>X_u \perp\!\!\!\perp X_v \mid X_Z</math>

其中 ''Z'' 是一个将 ''u'' 和 ''v''进行了 ''d''-分隔的集合(马尔可夫毯其实就是将节点 ''v'' 与其他所有节点''d''-分隔的最小节点集合)。

===因果网络===

虽然贝叶斯网络经常被用来表示因果关系，但这种情形并不是必须的: 从 ''u'' 到 ''v'' 的有向边并不意味着 Xv一定是Xu导致的结果。下面这两个贝叶斯网络是等价的:

:<math> a \rightarrow b \rightarrow c \qquad \text{and} \qquad a \leftarrow b \leftarrow c </math>

也就是说，它们表示的条件独立要求完全相同。

当一个贝叶斯网络中的节点关系全都是因果关系时，这网络才能被称为时因果网络。因果网络还规定，如果一个节点 ''X''再被干预的情况下变成了状态 x （写作do(''X'' = ''x'')），那么概率密度函数就会发生改变，表示成一个从 ''X'' 的父节点到 ''X''的链接被切断的网络，并将变量''X''的值设置为''x''。利用这些规则，我们可以在真正实施外部干预前，就能从数据中预测到实施干预后会产生的影响。

==推理复杂度与近似算法==

1990年，Cooper在斯坦福大学研究大规模生物信息学应用时，证明了贝叶斯网络中的精确推理是[[NP-hard]]<ref>
{{cite journal | first = Gregory F. | last = Cooper | title = The Computational Complexity of Probabilistic Inference Using Bayesian Belief Networks | url = https://stat.duke.edu/~sayan/npcomplete.pdf | journal = Artificial Intelligence | volume = 42 | issue = 2–3 | date = 1990 | pages = 393–405 | doi = 10.1016/0004-3702(90)90060-d }}
</ref>（NP难问题，NP 是指非确定性多项式 non-deterministic polynomial）。这个结果促进了近似算法的研究，目的是开发出一种易于处理的近似方法来进行概率推理。1993年，Dagum 和 Luby 证明了贝叶斯网络中近似概率推理复杂度的两个令人惊讶的结果。<ref>
{{cite journal | vauthors = Dagum P, Luby M | title = Approximating probabilistic inference in Bayesian belief networks is NP-hard | journal = Artificial Intelligence | volume = 60 | issue = 1 | date = 1993 | pages = 141–153 | doi = 10.1016/0004-3702(93)90036-b | citeseerx = 10.1.1.333.1586 }}
</ref>首先，他们证明了任何易于处理的确定性近似概率推断算法的绝对误差都不可能小于1/2。其次，他们证明了没有任何易于处理的随机化的近似概率推断算法可以在置信度大于1 / 2的情况下，误差小于1 / 2。

与此同时，Roth 证明了贝叶斯网络中的精确推理实际上是 #P-完全的（因此就像计数使得一个'''合取范式表达式 conjunctive normal form（CNF) formula'''为真的赋值的数量一样困难）。即使对于受限结构的贝叶斯网络来说，在对于任意''ɛ'' > 0，2''n''1−''ɛ'' 的近似推理也是 NP-hard的。<ref>D. Roth, [http://cogcomp.cs.illinois.edu/page/publication_view/5 On the hardness of approximate reasoning], IJCAI (1993)</ref><ref>D. Roth, [http://cogcomp.cs.illinois.edu/papers/hardJ.pdf On the hardness of approximate reasoning], Artificial Intelligence (1996)</ref>

实际上，这些复杂性结果表明，虽然贝叶斯网络在人工智能和机器学习应用中是一种强大的表示，但它们在大型实际应用中需要对拓扑结构施加约束(如朴素贝叶斯网络)或对条件概率施加约束。'''有界方差算法 Bounded variance algorithm '''<ref>{{cite journal | vauthors = Dagum P, Luby M | author-link1 = Paul Dagum | author-link2 = Michael Luby | title = An optimal approximation algorithm for Bayesian inference | url = http://icsi.berkeley.edu/~luby/PAPERS/bayesian.ps | journal = Artificial Intelligence | volume = 93 | issue = 1–2 | date = 1997 | pages = 1–27 | doi = 10.1016/s0004-3702(97)00013-1 | citeseerx = 10.1.1.36.7946 | access-date = 2015-12-19 | archive-url = https://web.archive.org/web/20170706064354/http://www1.icsi.berkeley.edu/~luby/PAPERS/bayesian.ps | archive-date = 2017-07-06 | url-status = dead }}</ref>是贝叶斯网络中第一个被证明在保证误差的情况下还能进行快速近似概率推理的算法。这个强大的算法需要对贝叶斯网络的条件概率进行细微的限制，使其处于[0 + 1/p(n), 1 - ''p''(''n'')]的区间内，其中''p''(''n'')是网络中节点数n的任意多项式。

==软件==
著名的贝叶斯网络软件包括:

* [[Just another Gibbs sampler]] (JAGS) WinBUGS的开源替代品。使用了吉布斯采样。
* [[OpenBUGS]] –WinBUGS的开源版本。
* [[SPSS Modeler]] –一个包括了贝叶斯网络实现的商业软件。
* [[Stan (software)]] – stan是一个开源软件包，用于使用No-U-Turn取样器（NUTS），<ref>{{Cite article|arxiv = 1111.4246|bibcode = 2011arXiv1111.4246H|last1 = Hoffman|first1 = Matthew D.|last2 = Gelman|first2 = Andrew|title = The No-U-Turn Sampler: Adaptively Setting Path Lengths in Hamiltonian Monte Carlo|year = 2011}}</ref> 是汉密尔顿蒙特卡洛方法的一个变体。
* [[PyMC3]] – 一个python库，它实现了一个能用来表示贝叶斯网络的微型语言，以及各种采样器（包括No-U-Turn取样器）。
* [[WinBUGS]] –马尔可夫链蒙特卡罗采样器最早的实现之一，但这个软件已经不再维护。

==历史==

1985年，朱迪亚·珀尔 Judea Pearl创造了'''贝叶斯网络'''一词来强调:

*输入信息通常是主观的
*依赖贝叶斯条件作为信息更新的基础
*因果推理和相关推理是有区别的<ref>{{Cite journal | last = Bayes | first = T. | year = 1763 | title = An Essay towards solving a Problem in the Doctrine of Chances | journal = Philosophical Transactions of the Royal Society | volume = 53 | pages = 370–418 | doi = 10.1098/rstl.1763.0053 | last2 = Price | doi-access = free }}</ref>

20世纪80年代后期， Pearl的《智能系统中的概率推理 Probabilistic Reasoning in Intelligent Systems》<ref>{{cite book | vauthors = Pearl J |title=Probabilistic Reasoning in Intelligent Systems |publisher=Morgan Kaufmann |location=San Francisco CA |isbn=978-1558604797 |pages=1988|date=1988-09-15 }}</ref>和Neapolitan的《专家系统中的概率推理 Probabilistic Reasoning in Expert Systems》<ref>{{cite book |first=Richard E. |last=Neapolitan | title=Probabilistic reasoning in expert systems: theory and algorithms |year=1989 |publisher=Wiley |isbn=978-0-471-61840-9}}</ref> 总结了它们的性质，并将它们确立为一个研究领域。

== 另见 ==
{{columns-list|colwidth=30em|
*[[贝叶斯编程]]
*[[因果推断]]
*[[因果循环图]]
*[[Chow–Liu 树]]
*[[计算智能]]
*[[计算系统发生学]]
*[[深度信念网络]]
*[[Dempster–Shafer 理论]] – 一种贝叶斯定理的推广
*[[期望–最大化算法]]
*[[因子图]]
*[[层次化时序存储]]
*[[卡尔曼滤波]]
*[[存储-预测框架]]
*[[混分分布]]
*[[混合模型]]
*[[朴素贝叶斯分类器]]
*[[多重树]]
*[[感知融合]]
*[[序列对齐]]
*[[结构方程建模]]
*[[主观逻辑]]
*[[变量-排序贝叶斯网络]]
}}

==注释 Notes==

{{Reflist}}

== 参考文献 References ==

{{Refbegin}}

* {{cite encyclopedia | last = Ben Gal | first = Irad | editor-last1 = Ruggeri | editor-first1 = Fabrizio | editor-last2 = Kennett | editor-first2 = Ron S. | editor-last3 = Faltin | editor-first3 = Frederick W | name-list-format = vanc |encyclopedia= Encyclopedia of Statistics in Quality and Reliability |chapter-url=http://www.eng.tau.ac.il/~bengal/BN.pdf |year= 2007 |publisher= [[John Wiley & Sons]] |isbn= 978-0-470-01861-3 |doi= 10.1002/9780470061572.eqr089 |chapter= Bayesian Networks}}

* {{cite book |last1= Bertsch McGrayne |first1= Sharon | name-list-format = vanc |title= The Theory That Would not Die |url= https://archive.org/details/theorythatwouldn0000mcgr |url-access= registration |location=New Haven |publisher= [[Yale University Press]]}}

* {{cite book |last1= Borgelt|first1= Christian|last2= Kruse|first2= Rudolf| name-list-format = vanc |author2-link= Rudolf Kruse |title= Graphical Models: Methods for Data Analysis and Mining |url= http://fuzzy.cs.uni-magdeburg.de/books/gm/ |date=March 2002|publisher= [[John Wiley & Sons|Wiley]] |location= [[Chichester|Chichester, UK]] |isbn= 978-0-470-84337-6}}

* {{cite encyclopedia |last= Borsuk |first= Mark Edward | name-list-format = vanc | editor = [[Sven Erik Jørgensen|Jørgensen, Sven Erik]] |editor2=Fath, Brian |encyclopedia= Encyclopedia of Ecology |title= Ecological informatics: Bayesian networks |year= 2008| publisher= Elsevier|isbn= 978-0-444-52033-3}}

* {{cite book |last1=Castillo|first1=Enrique|last2=Gutiérrez |first2=José Manuel |last3=Hadi |first3=Ali S. | name-list-format = vanc |title= Expert Systems and Probabilistic Network Models |series= Monographs in computer science |volume= |year= 1997 |publisher= [[Springer Science+Business Media|Springer-Verlag]]|location=New York |isbn= 978-0-387-94858-4|pages= 481–528 |chapter= Learning Bayesian Networks}}

* {{cite journal| last=Comley |first = Joshua W. | last2 = Dowe | first2 = David L. | name-list-format = vanc | title = General Bayesian networks and asymmetric languages |url=http://www.csse.monash.edu.au/~dld/David.Dowe.publications.html#ComleyDowe2003 |journal = Proceedings of the 2nd Hawaii International Conference on Statistics and Related Fields |date= June 2003}}

* {{cite book | last=Comley | first =Joshua W. | last2 = Dowe | first2 = David L. | name-list-format = vanc | year = 2005 | chapter = Minimum Message Length and Generalized Bayesian Nets with Asymmetric Languages | chapter-url = http://www.csse.monash.edu.au/~dld/David.Dowe.publications.html#ComleyDowe2005 | editor-last = Grünwald | editor-first = Peter D.| editor2-last = Myung | editor2-first = In Jae | editor3-last = Pitt| editor3-first = Mark A. | title = Advances in Minimum Description Length: Theory and Applications | series=Neural information processing series | location = [[Cambridge, Massachusetts]] | publisher = Bradford Books ([[MIT Press]])| publication-date = April 2005 | pages = 265–294 |isbn = 978-0-262-07262-5}} (This paper puts [[Decision tree learning|decision tree]]s in internal nodes of Bayes networks using [http://www.csse.monash.edu.au/~dld/MML.html Minimum Message Length] ([[Minimum message length|MML]]).

* {{cite book | last = Darwiche|first=Adnan | name-list-format = vanc |title = Modeling and Reasoning with Bayesian Networks |url=http://www.cambridge.org/9780521884389 |publisher = [[Cambridge University Press]] |year = 2009 |isbn = 978-0521884389}}

* {{Cite book|title=Philosophy of Statistics|date=2011-05-31|publisher=Elsevier|isbn=9780080930961|language=en|last=Dowe |first=David L. |chapter-url =http://www.csse.monash.edu.au/~dld/Publications/2010/Dowe2010_MML_HandbookPhilSci_Vol7_HandbookPhilStat_MML+hybridBayesianNetworkGraphicalModels+StatisticalConsistency+InvarianceAndUniqueness_pp901-982.pdf |chapter=Hybrid Bayesian network graphical models, statistical consistency, invariance and uniqueness |pp =[http://www.csse.monash.edu.au/~dld/Publications/2010/Dowe2010_MML_HandbookPhilSci_Vol7_HandbookPhilStat_MML+hybridBayesianNetworkGraphicalModels+StatisticalConsistency+InvarianceAndUniqueness_pp901-982.pdf 901–982]}}

* {{cite book | last1 = Fenton | first1 = Norman | last2 = Neil | first2 = Martin E. | name-list-format = vanc | date = November 2007 | chapter-url = http://www.agenarisk.com/resources/apps_bayesian_networks.pdf | chapter = Managing Risk in the Modern World: Applications of Bayesian Networks | title = A Knowledge Transfer Report from the London Mathematical Society and the Knowledge Transfer Network for Industrial Mathematics. | location = [[London|London (England)]] | publisher = [[London Mathematical Society]] }}

* {{cite news|first=Norman |last=Fenton |first2=Martin E. |last2=Neil | name-list-format = vanc |title=Combining evidence in risk analysis using Bayesian Networks |url=https://www.dcs.qmul.ac.uk/~norman/papers/Combining%20evidence%20in%20risk%20analysis%20using%20BNs.pdf |work=Safety Critical Systems Club Newsletter |volume=13 |issue=4 |location=[[Newcastle upon Tyne]], England |pages=8–13 |date=July 23, 2004 |url-status=dead |archive-url=https://web.archive.org/web/20070927153751/https://www.dcs.qmul.ac.uk/~norman/papers/Combining%20evidence%20in%20risk%20analysis%20using%20BNs.pdf |archive-date=2007-09-27 }}

* {{cite book | first1 = Andrew | last1 = Gelman | first2 = John B | last2 = Carlin | first3 = Hal S | last3 = Stern | first4 = Donald B | last4 = Rubin | name-list-format = vanc |title=Bayesian Data Analysis |chapter=Part II: Fundamentals of Bayesian Data Analysis: Ch.5 Hierarchical models |year=2003 |publisher=[[CRC Press]] |isbn=978-1-58488-388-3 |pages=120–}}

* {{cite book| last = Heckerman | first =David | date = March 1, 1995 | contribution = Tutorial on Learning with Bayesian Networks | contribution-url = http://research.microsoft.com/research/pubs/view.aspx?msr_tr_id=MSR-TR-95-06 | editor-last = Jordan | editor-first = Michael Irwin | title = Learning in Graphical Models | series = Adaptive Computation and Machine Learning | location = Cambridge, Massachusetts| publication-date = 1998 | publisher = MIT Press | pages = 301–354 | isbn = 978-0-262-60032-3}}

:也显示为{{cite journal |date=March 1997|title= Bayesian Networks for Data Mining |journal= Data Mining and Knowledge Discovery|volume= 1| issue= 1 |pages= 79–119 |doi= 10.1023/A:1009730122752 |last1= Heckerman |first1= David}}

* {{cite book| last=Jensen |first=Finn V| last2=Nielsen | first2 = Thomas D. | name-list-format = vanc | title = Bayesian Networks and Decision Graphs|edition=2nd |series=Information Science and Statistics series | publisher = [[Springer Science+Business Media|Springer-Verlag]] |location=[[New York City|New York]] | date = June 6, 2007| isbn=978-0-387-68281-5}}

* {{cite journal| last=Karimi |first=Kamran| last2=Hamilton | first2 = Howard J. | name-list-format = vanc | title = Finding temporal relations: Causal bayesian networks vs. C4. 5| journal = Twelfth International Symposium on Methodologies for Intelligent Systems | date = 2000 | url = http://www.kamran-karimi.com/pubs/khISMIS2000.pdf}}

* {{cite book| last=Korb| first=Kevin B.|last2 = Nicholson|first2 = Ann E. | name-list-format = vanc | title = Bayesian Artificial Intelligence| edition = 2nd | publisher = [[Chapman & Hall]] ([[CRC Press]]) | date = December 2010 | isbn = 978-1-58488-387-6 | series=CRC Computer Science & Data Analysis | doi=10.1007/s10044-004-0214-5}}

* {{cite journal | vauthors = Lunn D, Spiegelhalter D, Thomas A, Best N | title = The BUGS project: Evolution, critique and future directions | journal = Statistics in Medicine | volume = 28 | issue = 25 | pages = 3049–67 | date = November 2009 | pmid = 19630097 | doi = 10.1002/sim.3680 }}

* {{cite journal | vauthors = Neil M, Fenton N, Tailor M | title = Using Bayesian networks to model expected and unexpected operational losses | journal = Risk Analysis | volume = 25 | issue = 4 | pages = 963–72 | date = August 2005 | pmid = 16268944 | doi = 10.1111/j.1539-6924.2005.00641.x | url = http://www.dcs.qmul.ac.uk/~norman/papers/oprisk.pdf | editor = Greenberg, Michael R. }}

* {{cite journal |last= Pearl|first= Judea |authorlink= Judea Pearl | name-list-format = vanc |date=September 1986|title= Fusion, propagation, and structuring in belief networks |journal= [[Artificial Intelligence (journal)|Artificial Intelligence]]|volume= 29 |issue= 3 |pages= 241–288 |doi= 10.1016/0004-3702(86)90072-X}}

* {{cite book | last = Pearl|first=Judea| name-list-format = vanc |authorlink = Judea Pearl |title = Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference|edition = 2nd printing|publisher = [[Morgan Kaufmann]] |location= [[San Francisco, California]] |year = 1988 |isbn = 978-0-934613-73-6 | series=Representation and Reasoning Series}}

* {{cite book|last=Pearl|first=Judea|authorlink=Judea Pearl |last2=Russell |first2=Stuart |authorlink2=Stuart J. Russell |contribution=Bayesian Networks |editor-last=Arbib |editor-first=Michael A.| name-list-format = vanc |editor-link=Michael A. Arbib |title=Handbook of Brain Theory and Neural Networks|pages=157–160 |location=[[Cambridge, Massachusetts]]|date=November 2002| publisher = Bradford Books ([[MIT Press]]) | isbn=978-0-262-01197-6}}

* {{Russell Norvig 2003}}.

* {{cite journal| last1= Zhang | first1 = Nevin Lianwen | last2 = Poole | first2 = David | name-list-format = vanc | title = A simple approach to Bayesian network computations |journal = Proceedings of the Tenth Biennial Canadian Artificial Intelligence Conference (AI-94).|date=May 1994| pages = 171–178|url=http://www.cs.ust.hk/~lzhang/paper/pspdf/canai94.pdf}} This paper presents variable elimination for belief networks.

{{Refend}}

==延伸阅读==

* {{cite book | title = Bayesian Networks and BayesiaLab – A practical introduction for researchers|first1 = Stefan | last1 = Conrady | first2 = Lionel | last2 = Jouffe | name-list-format = vanc | isbn = 978-0-9965333-0-0 | publisher = Bayesian USA | location = Franklin, Tennessee |date=2015-07-01 }}

* {{cite web | url = http://pages.cs.wisc.edu/~dyer/cs540/handouts/charniak.pdf | title = Bayesian networks without tears | first = Eugene | last = Charniak | name-list-format = vanc | work = AI Magazine | date = Winter 1991 }}

* {{cite book | first1 =Rudolf | last1 = Kruse | first2 = Christian | last2 = Borgelt | first3 = Frank | last3 = Klawonn | first4 = Christian | last4 = Moewes | first5 = Matthias | last5 = Steinbrecher | first6 = Pascal | last6 = Held | name-list-format = vanc | title = Computational Intelligence A Methodological Introduction | date=2013 |publisher = Springer-Verlag | location = London | isbn = 978-1-4471-5012-1 }}

* {{cite book | first1 = Christian | last1 = Borgelt | first2 = Matthias | last2 = Steinbrecher | first3 = Rudolf | last3 = Kruse | name-list-format = vanc | title = Graphical Models – Representations for Learning, Reasoning and Data Mining |date = 2009 | publisher = Wiley | location = Chichester | isbn = 978-0-470-74956-2 | edition = Second }}

==外部链接==

*[http://www.niedermayer.ca/papers/bayesian/bayes.html An Introduction to Bayesian Networks and their Contemporary Applications]

*[http://www.dcs.qmw.ac.uk/%7Enorman/BBNs/BBNs.htm On-line Tutorial on Bayesian nets and probability]

*[https://web.archive.org/web/20170601002137/http://princesofserendib.com/ Web-App to create Bayesian nets and run it with a Monte Carlo method]

*[http://robotics.stanford.edu/~nodelman/papers/ctbn.pdf Continuous Time Bayesian Networks]

*[https://web.archive.org/web/20090923200511/http://wiki.syncleus.com/index.php/DANN%3ABayesian_Network Bayesian Networks: Explanation and Analogy]

*[http://videolectures.net/kdd07_neapolitan_lbn/ A live tutorial on learning Bayesian networks]

*[http://www.biomedcentral.com/1471-2105/7/514/abstract A hierarchical Bayes Model for handling sample heterogeneity in classification problems], provides a classification model taking into consideration the uncertainty associated with measuring replicate samples.

*[http://www.labmedinfo.org/download/lmi339.pdf Hierarchical Naive Bayes Model for handling sample uncertainty], shows how to perform classification and learning with continuous and discrete variables with replicated measurements.

==编者推荐==

=== 课程推荐 ===

[[File:图模型的介绍.jpeg|400px| thumb |right| [https://campus.swarma.org/course/1579 因果科学与Causal AI读书会第二季]]]

==== [https://campus.swarma.org/course/1798 因果科学读书会第一季] ====

本次读书会由集智俱乐部社区成员龚鹤扬、高亦斌和郭瑞东等人共同发起，从2020年8月26日到2021年1月2日，共有崔鹏、周晓华等老师同学在内的32位讲者，分享了32个不同的主题，B站人气累积10万+，来自海内外不同高校或者企业的一线科研工作者273名，因果读书会借助集体智慧，在100多天的时间里，撬动了数十万人次的共同参与，形成了一场因果科学风暴！

==== [https://campus.swarma.org/course/2460 因果科学与Causal AI读书会第二季] ====
因果科学读书会的第二季将会从基础的部分介绍图模型，以及更多跟图模型拓展相关，解释因果性的文章。读书会期间将会精读三本因果科学方向的优秀书籍，并共同完成书籍中的思考题。

=== 其他参考资料 ===

==== 文章总结 ====

[https://mp.weixin.qq.com/s/mOdTI0gR9rsRyX4fz3mYNA 因果科学入门读什么书？Y. Bengio博士候选人的研读路径推荐]

[https://mp.weixin.qq.com/s/TtYsTyyGEX7U1ZOSl-lsPw 前沿综述：因果推断与因果性学习研究进展]

[https://mp.weixin.qq.com/s/W6PIE211TavEgg_s3adDdg 因果表征学习最新综述：连接因果科学和机器学习的桥梁]

[https://mp.weixin.qq.com/s/pRgLZFJpbgmAyI7LgOnHug 历时3个月，全球32位讲者，共同讲述因果科学与Causal AI的全景框架！]

[https://mp.weixin.qq.com/s/f-rI5W6tc6qOzthbzK4oAw 崔鹏：稳定学习——挖掘因果推理和机器学习的共同基础]

[https://mp.weixin.qq.com/s/l-05jRYabGI-JoXedU-PLA 因果科学：连接统计学、机器学习与自动推理的新兴交叉领域]

[https://mp.weixin.qq.com/s/ZOUeF_HEFneYVi2BPe8LFg 因果观念新革命？万字长文，解读复杂系统背后的暗因果]

[https://mp.weixin.qq.com/s/dVxgHcQAz_VjT-HDa2fXgg 周晓华：因果推断的数学基础和在医学中的应用]

==== 相关路径 ====
* [https://pattern.swarma.org/path?id=99 因果科学与Casual AI读书会必读参考文献列表]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
* [https://pattern.swarma.org/path?id=9 因果推断方法概述],这个路径对因果在哲学方面的探讨，以及因果在机器学习方面应用的分析。
* [https://pattern.swarma.org/path?id=90 因果科学和 Causal AI入门路径]，这条路径解释了因果科学是什么以及它的发展脉络。此路径将分为三个部分进行展开，第一部分是因果科学的基本定义及其哲学基础，第二部分是统计领域中的因果推断，第三个部分是机器学习中的因果（Causal AI）。
* [https://pattern.swarma.org/path?id=28 复杂网络动力学系统重构文献]，这个路径是张江老师梳理了网络动力学重构问题，描述了动力学建模的常用方法和模型，并介绍了一些经典且重要的论文，这也是复杂系统自动建模读书会的主要论文来源，所以大部分都有解读视频。
* [https://pattern.swarma.org/path?id=114 因果纠缠集智年会——因果推荐系统分论坛]关于因果推荐系统的参考文献和主要嘉宾介绍，来源是集智俱乐部的因果纠缠年会。

----
本中文词条由[[用户:水流心不竞|水流心不竞]]翻译，[[用户:Qige96|Ricky]]审校，[[用户:薄荷|薄荷]]欢迎在讨论页面留言。

'''本词条内容源自公开资料，遵守 CC3.0协议。'''

[[Category:图形模型]]
[[Category:因果关系]]
[[Category:因果推理]]

集智俱乐部读书会

2021-05-06T02:43:00Z

陶如意：

{{#seo:
|keywords=因果科学,复杂经济学,生命复杂性,网络科学
|description=因果科学,复杂经济学,生命复杂性,网络科学
}}

集智俱乐部读书会是面向广大科研工作者的系列论文研读活动，其目的是共同深入学习探讨某个科学议题，了解前沿进展，激发科研灵感，促进科研合作，降低科研门槛。

读书会活动始于 2008 年，至今已经有 40 余个主题，内容涵盖复杂系统、人工智能、脑与意识、生命科学、因果科学、计算社会科学等。凝聚了众多优秀科研工作者，促进了科研合作发表论文，孵化了许多科研产品。如 2013 年的“深度学习”读书会孕育了彩云天气 APP，2015 年的“集体注意力流”读书会产生了众包书籍《走近2050》等。

集智俱乐部从2020年开始举办线上读书会，目前已有因果科学、生命复杂性、图神经网络、复杂系统自动建模、科学学、复杂经济学等主题的读书会，沉淀了非常多的主题和讨论，具体可看以下列表。

{| class="wikitable"
|+ 集智俱乐部2020-2021年读书会排期表
|-
! 读书会主题!! 核心发起人 !! 运营负责人 !! 报名途径 !! 持续期数 !! 当前状态 !! 固定时间
|-
| [https://mp.weixin.qq.com/s/_wUeYz3wlfZqG8_W9_X3QQ 因果科学读书会第二季] || 李奉治等 || 王婷 || https://campus.swarma.org/form/activity/27 || 11 || 进行中 || 周日上午10：00-12：00
|-
| [https://mp.weixin.qq.com/s/-HMX_8RwDcf4xQUdYq19kQ 复杂经济学读书会] || 李红刚等||王朝会 ||https://campus.swarma.org/form/activity/24 || 16 || 进行中|| 周二晚上8：00-10：00
|-
| [https://pattern.swarma.org/path?id=125 企业发展建模与预测读书会] || 张江等 || 陶如意 || https://campus.swarma.org/form/activity/31
|| 10 || 进行中 || 每周一晚上20:00--22:00
|-
| [https://pattern.swarma.org/path?id=125 社会计算读书会] ||王硕等 || 王建男|| https://campus.swarma.org/form/activity/32 || 10 || 即将开启 || 5月27日起，每周四晚上8：00-10：00
|-
|[https://mp.weixin.qq.com/s/oUlksh3GCEGxzkS5XPXuxw 生命复杂性系列读书会] || 傅渥成等 ||刘培源 || https://campus.swarma.org/form/activity/16 ||12 || 已结束 ||周四晚上8：00-10：00
|-
| [https://mp.weixin.qq.com/s/dSBpO_MBcksNcMIM6J9oMw 因果科学与Causal AI读书会] || 龚鹤扬等 || 王婷||https://campus.swarma.org/form/activity/12||14 || 已结束 ||周日晚上8：00-10：00
|-
| [https://mp.weixin.qq.com/s/cqRXAIOynrbpjY8a3idAew 面向复杂系统的人工智能研究读书会] || 张江 ||张章 || https://campus.swarma.org/form/activity/8 ||9 ||已结束 ||周日晚上8：00-10：00
|-
| [https://mp.weixin.qq.com/s/e1M-GX91sQ8w7K0ivjI3SA 科学学读书会] || 胡乔 || 胡乔|| https://campus.swarma.org/form/activity/7 ||6 || 已结束 || 周三晚上8：00-10：00
|-
| [https://mp.weixin.qq.com/s/yL2LmgkURpMhnZJjx1fkVA 复杂系统自动建模读书会] ||张江 ||王婷 ||https://campus.swarma.org/form/activity/3 ||12 ||已结束 || 周日晚上8：00-10：00
|-

| 复杂管理学读书会||待定 || 待定 || || || 待开始 ||
|-

| 城市复杂性读书会|| 待定 || 王婷 || || ||待开始 ||
|-
|}

== [https://mp.weixin.qq.com/s/_wUeYz3wlfZqG8_W9_X3QQ 因果科学读书会第二季] ==

为了进一步帮助整个社群的参与者拥有将因果推理的方法真正的应用到自己相关的研究中的能力，从基础知识及基本技能建立因果科学的计算框架，掌握举一反三，发现真正的问题并解决问题的能力；我们启动了因果科学社区的第二季读书会。

=== 基本介绍 ===

哥伦比亚大学 CausalAI 实验室主任 Elias Bareinboim 在其 ACM 邀请文章中提到：“如果我们希望下一代人工智能系统是安全的，稳健的，与人类兼容的，提升人类社会福祉的，那么把因果之梯和人类经验连接起来是至关重要的步骤”。回顾人类从亚里士多德开始的 2000 多年的因果研究历程，探求事物之间的因果关系是哲学、自然科学和社会科学等众多研究所追求的终极目标。那么如何让 AI 系统超越曲线拟合，攀登因果之梯思考为什么，并使用因果建模回答因果问题？是本次读书会希望解决的问题。

读书会期间将会精读两本因果科学方向最广泛认可入门教材（具体内容见下方阅读材料），我们不仅将共同完成书籍中的思考题，同时还独创性地加入编程实践内容，让大家可以亲手体验因果科学的美丽。
新的读书会将着重介绍如何计算干预分布，如何从观察和干预数据中推断因果模型，以及因果思想如何产生用于经典机器学习问题。非常适合有机器学习背景，希望深入学习研究因果科学的基础知识和重要模型方法，寻求解决相关研究问题的朋友参加。

==== 参与方式 ====

[[File:因果科学读书会报名.png|400px]]

第一步：扫码填写报名信息。

第二步：信息填写之后，进入付款流程，提交保证金299元。（符合退费条件后可退费。）

第三步：添加负责人微信，拉入对应的读书会讨论群。

我们也会对每次分享的内容进行录制，剪辑后发布在集智学园的官网上，供读书会成员回看。

=== 内容列表 ===

本次读书会正在进行中，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容:[https://campus.swarma.org/course/2460 因果科学第二季回放地址]
[[File:因果科学第二期报名.png|1300px |[https://campus.swarma.org/course/2460 因果科学第二季回放地址] ]]

=== 其他参考资料 ===

==== 文章总结 ====

[https://mp.weixin.qq.com/s/mOdTI0gR9rsRyX4fz3mYNA 因果科学入门读什么书？Y. Bengio博士候选人的研读路径推荐]

[https://mp.weixin.qq.com/s/TtYsTyyGEX7U1ZOSl-lsPw 前沿综述：因果推断与因果性学习研究进展]

[https://mp.weixin.qq.com/s/W6PIE211TavEgg_s3adDdg 因果表征学习最新综述：连接因果科学和机器学习的桥梁]

[https://mp.weixin.qq.com/s/pRgLZFJpbgmAyI7LgOnHug 历时3个月，全球32位讲者，共同讲述因果科学与Causal AI的全景框架！]

[https://mp.weixin.qq.com/s/f-rI5W6tc6qOzthbzK4oAw 崔鹏：稳定学习——挖掘因果推理和机器学习的共同基础]

[https://mp.weixin.qq.com/s/l-05jRYabGI-JoXedU-PLA 因果科学：连接统计学、机器学习与自动推理的新兴交叉领域]

[https://mp.weixin.qq.com/s/ZOUeF_HEFneYVi2BPe8LFg 因果观念新革命？万字长文，解读复杂系统背后的暗因果]

[https://mp.weixin.qq.com/s/dVxgHcQAz_VjT-HDa2fXgg 周晓华：因果推断的数学基础和在医学中的应用]

==== 相关路径 ====
* [https://pattern.swarma.org/path?id=99 因果科学与Casual AI读书会必读参考文献列表]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
* [https://pattern.swarma.org/path?id=9 因果推断方法概述],这个路径对因果在哲学方面的探讨，以及因果在机器学习方面应用的分析。
* [https://pattern.swarma.org/path?id=90 因果科学和 Causal AI入门路径]，这条路径解释了因果科学是什么以及它的发展脉络。此路径将分为三个部分进行展开，第一部分是因果科学的基本定义及其哲学基础，第二部分是统计领域中的因果推断，第三个部分是机器学习中的因果（Causal AI）。
* [https://pattern.swarma.org/path?id=28 复杂网络动力学系统重构文献]，这个路径是张江老师梳理了网络动力学重构问题，描述了动力学建模的常用方法和模型，并介绍了一些经典且重要的论文，这也是复杂系统自动建模读书会的主要论文来源，所以大部分都有解读视频。
* [https://pattern.swarma.org/path?id=114 因果纠缠集智年会——因果推荐系统分论坛]关于因果推荐系统的参考文献和主要嘉宾介绍，来源是集智俱乐部的因果纠缠年会。

== [https://mp.weixin.qq.com/s/-HMX_8RwDcf4xQUdYq19kQ 复杂经济学读书会] ==

为了更好地普及复杂经济学思想，促进复杂经济学教育，推进复杂经济学研究，集智俱乐部特筹备复杂经济学的主题读书会。读书会由北京师范大学李红刚教授发起，获得王有贵、周涛、吕琳媛、张江、陈清华、李睿琪六位老师的内容支持。

=== 基本介绍 ===

传统的主流经济学基于理性人假设，寻求静态的均衡结果。而复杂经济学是一门超越了均衡范式的经济学，它认为经济不是机械的、确定的、可预测的，而是有机的、不确定的、永远在演化进程中。

复杂经济学以一种不同的方式来思考经济，将经济视作不断进行自我“计算”、自我创建和自我更新的处于动态过程中的演化系统。它强调偶然性、意义构建和“一切变化皆有可能”，是一门以预测、反应、创新和替代为基础的“动词”意义上的学科。

复杂经济学以非均衡为基本前提（均衡是其特例），用更具一般性的方法来研究经济，它不仅是对传统经济学的补充和拓展，更可能稳步走向未来经济学的中心。

目前的复杂经济学研究一般基于复杂系统思维，使用多主体建模、复杂网络、统计物理和其它学科、以及大数据分析等思想方法工具，去研究一些传统经济学有意忽视或难以处理的社会经济问题。

==== 参与方式 ====

[[File:复杂经济学读书会.png|400px]]

第一步：扫码填写报名信息。

第二步：信息填写之后，进入付款流程，提交保证金299元。（符合退费条件后可退费。）

第三步：添加负责人微信，拉入对应的读书会讨论群。

我们也会对每次分享的内容进行录制，剪辑后发布在集智学园的官网上，供读书会成员回看。

=== 内容列表 ===
本次读书会正在进行中，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。[https://campus.swarma.org/course/2294 复杂经济学回放地址点击跳转]
[[File:复杂经济学读书会2_compressed.jpg|1300px| [https://campus.swarma.org/course/2294 复杂经济学回放地址点击跳转]]]

=== 其他参考资料 ===

==== 文章总结 ====

[https://mp.weixin.qq.com/s/sAcfkZXlKuE1Y0ooU6JePg César Hidalgo：收益递增的复杂性]

[https://mp.weixin.qq.com/s/_C7v1-lx_BpRSJb1Bv775w 布莱恩·阿瑟：数字经济是增长新引擎，还是潘多拉魔盒？]

[https://mp.weixin.qq.com/s/3yj4LN3IV0UNkXHcQDyLzQ 为什么大脑都是吝啬鬼——大脑网络组织中的经济学]

==== 相关路径 ====

[https://pattern.swarma.org/path?id=109 复杂经济学读书会论文清单]

== [https://mp.weixin.qq.com/s/oUlksh3GCEGxzkS5XPXuxw 复杂系统自动建模——企业建模与发展预测读书会] ==

复杂系统自动建模是通过数据驱动，使用机器学习或其他算法，去找到复杂系统的相互作用的关系以及动力学法则，从而对整个系统进行建模的技术。

此前，我们已经展开了两季复杂系统自动建模主题的读书会。

在第一季读书会中，我们以“助力科研”为核心目的，汇集了一批对复杂系统自动建模感兴趣，以及正在进行相关研究的朋友，通过阅读和讨论一系列前沿和经典文献，对复杂系统进行结构和动力学重构领域进行了深度的讨论和交流。

而在第二季“面向复杂系统人工智能研究”的读书会中，我们着重关注用复杂系统的理论和方法更好地理解人工智能，探讨了基于深度学习的复杂系统自动建模技术，以及基于可解释性的因果推断方法论。并且在此基础上，集智俱乐部涌现出了“因果科学社区”，“因果读书会”第二季也正如火如荼地进行中。

=== 基本介绍 ===

本次读书会是复杂系统自动建模系列读书会第三季。

实证数据表明，一些大企业创造的财富总量往往比一些国家还要多。例如，2019年，苹果公司的总资产为3385亿美元，超过了全球第38大经济体新加坡的国内生产总值(GDP) ；中国最大的互联网企业之一阿里集团的总资产为1438亿美元，几乎和乌克兰的 GDP相等。另一方面，企业是当代经济的基本单位，也是人类与经济环境互动的主要载体。因此，理解企业的演化规律，与理解经济、国家、城市的演化一样，都是我们认识社会系统的重要手段。

而企业是一个典型的复杂系统。企业内部，企业与企业之间都存在着相互作用关系，并且这种相互作用又会推动企业系统的演化。《规模》这本书介绍了企业和生命体一样，存在生长、新陈代谢，以及死亡的机制，探索了不同类型的系统背后存在的统一规律，将网络和规模缩放范式应用于公司的动力学、生长和结构上来，推动了用复杂科学的视角对企业系统的进一步讨论。

我们这次主要内容聚焦于复杂系统自动建模技术在企业研究领域的应用，包括企业破产预测，企业财务属性预测，企业网络研究，企业建模等等。目的在于进一步深入探索复杂科学理论和方法在实证研究中的应用，进一步揭示真实世界的运作模式。

我们也邀请了来自管理科学的老师和同学，对企业研究领域当前关注的问题和方法进行分享，以期实现机器学习、管理科学、网络科学等多学科的碰撞。

==== 报名方式 ====

[[文件:报名表.png|200px]]

第一步：扫码填写报名信息。

第二步：信息填写之后，会弹出对应的课程购买信息，提交保证金399元。（购课相当于提交保证金，符合退费条件后可退费）。

第三步：添加负责人微信，拉入对应的读书会讨论群（需遵守群规）。

我们也会对每次分享的内容进行录制，剪辑后发布在集智学园官网，读书会付费报名成员和集智VIP成员（详情见文末）可以观看录播。

=== 内容列表 ===

本次读书会正在进行中，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。[https://campus.swarma.org/course/2570 企业读书会回放地址点击跳转]

=== 其他参考资料 ===

==== 前两季视频回放 ====

[https://campus.swarma.org/course/1740 复杂系统自动建模第一期的内容回放]
[https://campus.swarma.org/course/1775 复杂系统自动建模第二期的内容回放]

==== 相关文章资料 ====
[https://mp.weixin.qq.com/s/iIq4VaLMz_zhquoFL10oYw 企业规模法则：数学模型如何破解公司组织层级难题]
[https://mp.weixin.qq.com/s/ouu4cfM0ovYUtBPY5hXTiA 为什么公司有衰老死亡，而城市却长生不老？]
[https://mp.weixin.qq.com/s/LQlyD9YFrEci8V-ZJyZMKg 如何用网络科学预测创业公司未来成败？]
[https://mp.weixin.qq.com/s/_qhFxmF-qAvZRyHY37haOQ PNAS刊文揭秘三千万员工大数据：初创公司要想生存，就应该这样招人]
[https://mp.weixin.qq.com/s/O9Q81ebX7DKEUIhvc7r5kQ 超越简单规则——用图神经网络对复杂系统进行自动建模]

==== 相关路径 ====
[https://pattern.swarma.org/path?id=85 基于图网络和深度学习的复杂系统自动建模技术]
[https://pattern.swarma.org/path?id=84 路径 - 应用于复杂系统建模的深度学习技术小综述]
[https://pattern.swarma.org/path?id=28 路径 - 复杂网络动力学系统重构文献]
[https://pattern.swarma.org/path?id=20 路径 - 复杂系统自动建模必读论文列表]

== [https://mp.weixin.qq.com/s/oUlksh3GCEGxzkS5XPXuxw 生命复杂性系列读书会] ==

生命作为最典型的复杂系统，从细胞到个体再到群体，在不同层次上都展现出各种复杂性，引发不同学科研究者的兴趣。为了促进生命复杂系统的跨学科交流，我们策划“生命复杂性”系列读书会，组织精读和讨论相关研究。

=== 基本介绍 ===

在物理学家薛定谔的《生命是什么》中，生命以负熵为食，能够新陈代谢和自我复制。

* 在自创生理论看来，生命就是一个复杂的化学网络，每时每刻都在不断地生成自己，仅仅是化学过程。
*
* 从计算的视角，生命就是一台图灵机。碱基配的过程与图灵二进制的工作原理如出一辙。
*
* 而从信息的视角，生命主体是能将自身信息从过去传播到未来、并保持一定时间完整性度量的集合体。

对“生命是什么”的定义，流派众多。在本次读书会中，我们尝试跳出生物学的桎梏，从物理和信息的角度，理解生命是什么，个体与环境的边界是什么。

==== 报名方式 ====
[[File:生命复杂性读书会报名表.png|400px]]

第一步：扫码填写报名信息。
第二步：信息填写之后，会弹出对应的课程购买信息，提交保证金399元。（购课相当于提交保证金，符合退费条件后可退费）。
第三步：添加负责人微信，拉入对应的读书会讨论群（需遵守群规）。

我们也会对每次分享的内容进行录制，剪辑后发布在集智学园官网，读书会付费报名成员和集智VIP成员（详情见文末）可以观看录播。

=== 内容列表 ===

本次读书会已经结束，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。
本次读书会正在进行中，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。[https://campus.swarma.org/course/2005 生命复杂性读书会回放地址点击跳转]

[[File: 生命复杂性读书会.jpg |1300px| [https://campus.swarma.org/course/2005 生命复杂性读书会回放地址点击跳转]]]

=== 其他参考资料 ===

==== 文章总结 ====

[https://mp.weixin.qq.com/s/zUlrRQNZg2nY2k535mj1wQ 生命是什么？圣塔菲研究所提出“个体信息理论”，重新定义个体生命]

[https://mp.weixin.qq.com/s/xe54zCUPKQAf6wfx666hxQ 生命起源百年探索：进化论、信息论、热力学谁是主角？]

[https://mp.weixin.qq.com/s/YqvLBfnkkXq4T33j3AhqAg 生命起源研究的新里程碑：Science刊文揭示前生命化学自催化网络]

[https://mp.weixin.qq.com/s/qH_6-4smLQdHkh8YpfEvMw 为什么蛋白质兼具可塑性与稳定性？从进化视角揭示生命复杂系统的内在平衡]

==== 相关路径 ====
* [https://pattern.swarma.org/path?id=105 「生命—信息—物理」生命复杂性读书会论文清单（更新中）]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。

== [https://mp.weixin.qq.com/s/dSBpO_MBcksNcMIM6J9oMw 因果科学与Causal AI读书会] ==

本次读书会的目的是希望可以出版一本关于因果推理相关的书籍，我们希望可以通过闭门分享讨论的形式，为大家提供更加沉浸，深度，自由的交流环境，共同掌握因果推理的基础知识，前沿探究，和业界应用，同时将读书会的产出以科普书籍的方式出版。

=== 基本介绍 ===

Judea Pearl 认为当下正在进行一场改变数据科学的新革命 — ”因果革命“。因果革命和以数据为中心的第一次数据科学革命，也就是大数据革命（涉及机器学习，深度学习及其应用，例如Alpha-Go、语音识别、机器翻译、自动驾驶等等）的不同之处在于，它以科学为中心，涉及从数据到政策、可解释性、机制的泛化，再到一些社会科学中的归因和公平性问题，甚至哲学中的创造性和自由意志。可以说，因果革命彻底改变了科学家处理因果问题的方式，形成了一门新学科—因果科学。

前的大多数 AI 系统只是曲线拟合，他们面临许多开放性难题本质上与因果相关，而其中的三个最主要困难 (1) 稳健性/适应性， (2) 可解释性，和 (3) 不能理解因果关系，而这些问题可以用现代因果建模解决。因果推理和机器学习融合，构建具备果推理能力的 Causal AI 系统，是实现强人工智能的关键步骤。

==== 报名方式 ====

[[File:因果科学与causal AI读书会第一期.png|400px]]

第一步：扫码填写报名信息。

第二步：信息填写之后，进入付款流程，提交保证金299元。（符合退费条件后可退费。）

第三步：添加负责人微信，拉入对应的读书会讨论群。

=== 内容列表 ===
本次读书会已经结束，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。[https://campus.swarma.org/course/1798 因果科学读书会回放地址点击跳转]

[[File: 因果科学与Causal AI读书会-1.png |1300px| [https://campus.swarma.org/course/1798 因果科学读书会回放地址点击跳转]]]

=== 其他参考资料 ===

==== 文章总结 ====

[https://mp.weixin.qq.com/s/pRgLZFJpbgmAyI7LgOnHug 历时3个月，全球32位讲者，共同讲述因果科学与Causal AI的全景框架！]

[https://mp.weixin.qq.com/s/f-rI5W6tc6qOzthbzK4oAw 崔鹏：稳定学习——挖掘因果推理和机器学习的共同基础]

[https://mp.weixin.qq.com/s/l-05jRYabGI-JoXedU-PLA 因果科学：连接统计学、机器学习与自动推理的新兴交叉领域]

[https://mp.weixin.qq.com/s/ZOUeF_HEFneYVi2BPe8LFg 因果观念新革命？万字长文，解读复杂系统背后的暗因果]

[https://mp.weixin.qq.com/s/dVxgHcQAz_VjT-HDa2fXgg 周晓华：因果推断的数学基础和在医学中的应用]

==== 相关路径 ====
* [https://pattern.swarma.org/path?id=99 因果科学与Casual AI读书会必读参考文献列表]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
* [https://pattern.swarma.org/path?id=9 因果推断方法概述],这个路径对因果在哲学方面的探讨，以及因果在机器学习方面应用的分析。
* [https://pattern.swarma.org/path?id=90 因果科学和 Causal AI入门路径]，这条路径解释了因果科学是什么以及它的发展脉络。此路径将分为三个部分进行展开，第一部分是因果科学的基本定义及其哲学基础，第二部分是统计领域中的因果推断，第三个部分是机器学习中的因果（Causal AI）。
* [https://pattern.swarma.org/path?id=28 复杂网络动力学系统重构文献]，这个路径是张江老师梳理了网络动力学重构问题，描述了动力学建模的常用方法和模型，并介绍了一些经典且重要的论文，这也是复杂系统自动建模读书会的主要论文来源，所以大部分都有解读视频。
* [https://pattern.swarma.org/path?id=114 因果纠缠集智年会——因果推荐系统分论坛]关于因果推荐系统的参考文献和主要嘉宾介绍，来源是集智俱乐部的因果纠缠年会。

== [https://mp.weixin.qq.com/s/cqRXAIOynrbpjY8a3idAew 面向复杂系统的人工智能读书会] ==

本次读书会的目的是通过闭门分享讨论的形式，我们将为大家提供更加沉浸，深度，自由的交流环境。帮助大家了解面向复杂系统的人工智能研究和前沿进展，了解深度学习，因果推断等方法论如何与复杂系统研究相互影响。为大家在自己的研究领域引入何种人工智能方法提供灵感。

此外，本次读书会还将邀请数名进行过高质量分享的青年学者参与我们后续的闭门研讨活动：“集智-凯风研读营”。研读营是集智年度最高水准的闭门科学研讨活动，是集智科学家们的年度聚会。在研读营期间，你将与多位来自不同领域，世界各个高校的集智科学家们进行为期一周的广泛而深刻的闭门交流，共享前沿知识和灵感。历届研读营都是集智科学家相互赋能的平台，每次研读营之后，集智科学家们都会带着新的灵感进一步推进自己的研究。

=== 基本介绍 ===

近 3 年来，随着数据量的井喷式增长，计算效率的显著提升，以深度学习为代表的人工智能技术迎来了第三次高潮，许多人工智能的产品应用在生活的方方面面，如人脸识别，机器翻译，语音识别等。但是进一步，人们希望机器可以辅助决策时却发现，以人类的视角没有办法很好的理解机器的决策，这时候就存在人与机器的「信任鸿沟」。我们不敢真正信任机器的决策，这也是人工智能在落地智能金融，无人驾驶等更复杂领域时遇到的问题和瓶颈。

所以为了更好利用机器的智能，理解复杂世界，人们开始寻求新的解释世界的方式：希望可以从「复杂系统」的角度进行突破，借助人工智能的方法和技术，揭开人工智能的黑箱，实现人与机器的真正信任。

集智俱乐部一直以来都是国内研究复杂科学的前沿阵地，我们希望可以发动社区内相关领域的研究者，一起来共同学习和探索，结合复杂系统的理论和方法，来更好的理解人工智能。所以我们发起了「面向复杂系统的人工智能研究」读书会。本次读书会将会围绕下面二个子主题，分别是：
基于深度学习的复杂系统自动建模
基于可解释性的因果推断方法论

==== 报名方式 ====

* 第一步：扫码填写报名信息。
* 第二步：信息填写之后，会弹出对应的负责人微信二维码，截图扫码添加二维码即可。
* 第三步：添加负责人微信号，提交保证金399元。
* 第四步：拉入对应的读书会讨论群。
* 第五步：想进一步继续参与研读营的朋友，发送简历或个人网站，research gate主页等能说明身份的资料给到负责人，在读书会结束之后，将公布研读营入选名单。

==== 内容列表 ====
本次读书会已经结束，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。https://campus.swarma.org/course/1775

=== 其他参考资料 ===

==== 文章总结 ====

[https://mp.weixin.qq.com/s/O9Q81ebX7DKEUIhvc7r5kQ 超越简单规则——用图神经网络对复杂系统进行自动建模]

==== 相关路径 ====
* [https://pattern.swarma.org/path?id=79 面向复杂系统的人工智能读书会论文列表]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
* [https://pattern.swarma.org/path?id=9 因果推断方法概述],这个路径对因果在哲学方面的探讨，以及因果在机器学习方面应用的分析。
* [https://pattern.swarma.org/path?id=9 因果推断方法概述],这个路径对因果在哲学方面的探讨，以及因果在机器学习方面应用的分析。
* [https://pattern.swarma.org/path?id=90 因果科学和 Causal AI入门路径]，这条路径解释了因果科学是什么以及它的发展脉络。此路径将分为三个部分进行展开，第一部分是因果科学的基本定义及其哲学基础，第二部分是统计领域中的因果推断，第三个部分是机器学习中的因果（Causal AI）。
* [https://pattern.swarma.org/path?id=28 复杂网络动力学系统重构文献]，这个路径是张江老师梳理了网络动力学重构问题，描述了动力学建模的常用方法和模型，并介绍了一些经典且重要的论文，这也是复杂系统自动建模读书会的主要论文来源，所以大部分都有解读视频。
* [https://pattern.swarma.org/path?id=28 应用于复杂系统建模的深度学习技术小综述]，这个路径是张江老师对复杂系统自动建模的一个小综述，主要介绍了复杂系统自动建模的四个阶段，并介绍了一些经典且重要的论文。
* [https://pattern.swarma.org/path?id=85 基于图网络和深度学习的复杂系统自动建模技术]，本篇路径则重点放在综述用神经网络、深度学习方法实现的各种方法和文献。我们将按照动力学学习、网络结构学习及其它这三个方面来综述。

== [https://mp.weixin.qq.com/s/e1M-GX91sQ8w7K0ivjI3SA 科学学读书会] ==

科学是研究实践、是理性精神，也是一个由学者、文献、科研项目、科学思想与灵感等一起构成的自组织、自生长的复杂系统。科学学则是一门学科，旨在深入理解科学研究的种种因素并推动科学发展。

=== 基本介绍 ===

科学是一个由学者、文献、科研项目、科学思想与灵感等一起构成的自组织、自生长的复杂系统。与人类社会的其他复杂系统相比，科学通过自我革新精神实现了更大跨度的发展（科学革命），又通过文献传承更好的记录了自身的发展历史。

科学复杂系统中的事件对世界有广泛而深刻的影响：
* 创新是如何发生的
* 科学思想与知识是如何传播的
* 各学科发展的趋势是什么
* 跨学科研究何以不断涌现
* 团队规模如何影响科研成果
* 科学家的职业生涯与成就有无规律可循
* ...

这些都是科学学研究的问题。通过研究和回答这些问题，我们能够以科学的视角认知科学、理解科学，进而也促进科学事业的发展。

==== 报名方式 ====

==== 内容列表 ====
本次读书会已经结束，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。https://campus.swarma.org/course/2014

=== 其他参考资料 ===

==== 文章总结 ====

[https://mp.weixin.qq.com/s/_Ye_9_88VAoCJQqro-OB-g Science经典综述文章：什么是科学学]

==== 相关路径 ====
* [https://pattern.swarma.org/path?id=70 复杂系统下的科学学]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
* [https://pattern.swarma.org/path?id=12 计算社会科学入门路径]，这个路径是梳理了计算社会科学的历史和研究方法，并列举了一些重要且经典的论文。

== [https://mp.weixin.qq.com/s/yL2LmgkURpMhnZJjx1fkVA 复杂系统自动建模读书会] ==

复杂系统广阔而神秘，地球上的生物、气候、人脑、社会和经济的组织、一个生态系统、一个活细胞、甚至整个宇宙都属于复杂系统。本文旨在召集对复杂系统建模感兴趣或正在进行相关研究的朋友参与到此次读书会中，通过阅读经典文章，大家集思广益，激发科研想法，促进科研合作。

=== 基本介绍 ===

复杂系统是对生物，社会，金融，气候等不同领域内大量现象进行建模的重要手段。复杂系统的一大特征是，在系统内存在着大量个体，他们之间会发生相互作用。在现实生活中，尤其是在当今的大数据时代，我们通常面临的问题就是我们拥有大量对系统进行观察的数据，如个体个体的时间演变状态，个体的信息，而无法直接观察到个体之间的网络连接结构，也不知道个体之间的动力学演化规则。复杂网路自动建模问题关注的即是通过数据驱动，通过机器学习或其他算法去找到他们相互作用的关系以及动力学法则，从而对整个复杂系统进行建模。

本次读书会的核心目的是「助力科研」，旨在汇集一批对复杂系统自动建模感兴趣或者正在进行相关研究的朋友，通过阅读和讨论一系列前沿或者经典的对复杂系统进行结构和动力学重构的文章，进行深度讨论和交流，从而激发科研想法，促进读书会成员内部的科研的合作，产出和落地，并产生学术价值。

这是一个长期的读书会活动，读书会预计持续时间为半年，每2周会有人选择网络重构文献待续列表中论文（会持续增加新的经典和前沿论文），制作论文解读的 ppt 文件，在 zoom 会议软件上按照每2周1次，每次研读2-3篇论文的形式进行，以分享、讨论、复现代码为主。

==== 报名方式 ====

==== 内容列表 ====
本次读书会已经结束，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。https://campus.swarma.org/course/1740

=== 其他参考资料 ===

==== 文章总结 ====

[https://mp.weixin.qq.com/s/O9Q81ebX7DKEUIhvc7r5kQ 超越简单规则——用图神经网络对复杂系统进行自动建模]

==== 相关路径 ====
* [https://pattern.swarma.org/path?id=20 复杂系统自动建模必读论文列表]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
* [https://pattern.swarma.org/path?id=28 复杂网络动力学系统重构文献]，这个路径是张江老师梳理了网络动力学重构问题，描述了动力学建模的常用方法和模型，并介绍了一些经典且重要的论文，这也是复杂系统自动建模读书会的主要论文来源，所以大部分都有解读视频。
* [https://pattern.swarma.org/path?id=28 应用于复杂系统建模的深度学习技术小综述]，这个路径是张江老师对复杂系统自动建模的一个小综述，主要介绍了复杂系统自动建模的四个阶段，并介绍了一些经典且重要的论文。
* [https://pattern.swarma.org/path?id=85 基于图网络和深度学习的复杂系统自动建模技术]，本篇路径则重点放在综述用神经网络、深度学习方法实现的各种方法和文献。我们将按照动力学学习、网络结构学习及其它这三个方面来综述。

集智俱乐部读书会

2021-05-06T02:42:37Z

陶如意：

{{#seo:
|keywords=因果科学,复杂经济学,生命复杂性,网络科学
|description=因果科学,复杂经济学,生命复杂性,网络科学
}}

集智俱乐部读书会是面向广大科研工作者的系列论文研读活动，其目的是共同深入学习探讨某个科学议题，了解前沿进展，激发科研灵感，促进科研合作，降低科研门槛。

读书会活动始于 2008 年，至今已经有 40 余个主题，内容涵盖复杂系统、人工智能、脑与意识、生命科学、因果科学、计算社会科学等。凝聚了众多优秀科研工作者，促进了科研合作发表论文，孵化了许多科研产品。如 2013 年的“深度学习”读书会孕育了彩云天气 APP，2015 年的“集体注意力流”读书会产生了众包书籍《走近2050》等。

集智俱乐部从2020年开始举办线上读书会，目前已有因果科学、生命复杂性、图神经网络、复杂系统自动建模、科学学、复杂经济学等主题的读书会，沉淀了非常多的主题和讨论，具体可看以下列表。

{| class="wikitable"
|+ 集智俱乐部2020-2021年读书会排期表
|-
! 读书会主题!! 核心发起人 !! 运营负责人 !! 报名途径 !! 持续期数 !! 当前状态 !! 固定时间
|-
| [https://mp.weixin.qq.com/s/_wUeYz3wlfZqG8_W9_X3QQ 因果科学读书会第二季] || 李奉治等 || 王婷 || https://campus.swarma.org/form/activity/27 || 11 || 进行中 || 周日上午10：00-12：00
|-
| [https://mp.weixin.qq.com/s/-HMX_8RwDcf4xQUdYq19kQ 复杂经济学读书会] || 李红刚等||王朝会 ||https://campus.swarma.org/form/activity/24 || 16 || 进行中|| 周二晚上8：00-10：00
|-
| [https://pattern.swarma.org/path?id=125 企业发展建模与预测读书会] || 张江等 || 陶如意 || https://campus.swarma.org/form/activity/31
|| 10 || 进行中 || 每周一晚上20:00--22:00
|-
| [https://pattern.swarma.org/path?id=125 社会计算读书会] ||王硕等 || 王建男|| https://campus.swarma.org/form/activity/32 || 10 || 即将开启 || 5月27日起，每周四晚上8：00-10：00
|-
|[https://mp.weixin.qq.com/s/oUlksh3GCEGxzkS5XPXuxw 生命复杂性系列读书会] || 傅渥成等 ||刘培源 || https://campus.swarma.org/form/activity/16 ||12 || 已结束 ||周四晚上8：00-10：00
|-
| [https://mp.weixin.qq.com/s/dSBpO_MBcksNcMIM6J9oMw 因果科学与Causal AI读书会] || 龚鹤扬等 || 王婷||https://campus.swarma.org/form/activity/12||14 || 已结束 ||周日晚上8：00-10：00
|-
| [https://mp.weixin.qq.com/s/cqRXAIOynrbpjY8a3idAew 面向复杂系统的人工智能研究读书会] || 张江 ||张章 || https://campus.swarma.org/form/activity/8 ||9 ||已结束 ||周日晚上8：00-10：00
|-
| [https://mp.weixin.qq.com/s/e1M-GX91sQ8w7K0ivjI3SA 科学学读书会] || 胡乔 || 胡乔|| https://campus.swarma.org/form/activity/7 ||6 || 已结束 || 周三晚上8：00-10：00
|-
| [https://mp.weixin.qq.com/s/yL2LmgkURpMhnZJjx1fkVA 复杂系统自动建模读书会] ||张江 ||王婷 ||https://campus.swarma.org/form/activity/3 ||12 ||已结束 || 周日晚上8：00-10：00
|-

| 复杂管理学读书会||待定 || 待定 || || || 待开始 ||
|-

| 城市复杂性读书会|| 待定 || 王婷 || || ||待开始 ||
|-
|}

== [https://mp.weixin.qq.com/s/_wUeYz3wlfZqG8_W9_X3QQ 因果科学读书会第二季] ==

为了进一步帮助整个社群的参与者拥有将因果推理的方法真正的应用到自己相关的研究中的能力，从基础知识及基本技能建立因果科学的计算框架，掌握举一反三，发现真正的问题并解决问题的能力；我们启动了因果科学社区的第二季读书会。

=== 基本介绍 ===

哥伦比亚大学 CausalAI 实验室主任 Elias Bareinboim 在其 ACM 邀请文章中提到：“如果我们希望下一代人工智能系统是安全的，稳健的，与人类兼容的，提升人类社会福祉的，那么把因果之梯和人类经验连接起来是至关重要的步骤”。回顾人类从亚里士多德开始的 2000 多年的因果研究历程，探求事物之间的因果关系是哲学、自然科学和社会科学等众多研究所追求的终极目标。那么如何让 AI 系统超越曲线拟合，攀登因果之梯思考为什么，并使用因果建模回答因果问题？是本次读书会希望解决的问题。

读书会期间将会精读两本因果科学方向最广泛认可入门教材（具体内容见下方阅读材料），我们不仅将共同完成书籍中的思考题，同时还独创性地加入编程实践内容，让大家可以亲手体验因果科学的美丽。
新的读书会将着重介绍如何计算干预分布，如何从观察和干预数据中推断因果模型，以及因果思想如何产生用于经典机器学习问题。非常适合有机器学习背景，希望深入学习研究因果科学的基础知识和重要模型方法，寻求解决相关研究问题的朋友参加。

==== 参与方式 ====

[[File:因果科学读书会报名.png|400px]]

第一步：扫码填写报名信息。

第二步：信息填写之后，进入付款流程，提交保证金299元。（符合退费条件后可退费。）

第三步：添加负责人微信，拉入对应的读书会讨论群。

我们也会对每次分享的内容进行录制，剪辑后发布在集智学园的官网上，供读书会成员回看。

=== 内容列表 ===

本次读书会正在进行中，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容:[https://campus.swarma.org/course/2460 因果科学第二季回放地址]
[[File:因果科学第二期报名.png|1300px |[https://campus.swarma.org/course/2460 因果科学第二季回放地址] ]]

=== 其他参考资料 ===

==== 文章总结 ====

[https://mp.weixin.qq.com/s/mOdTI0gR9rsRyX4fz3mYNA 因果科学入门读什么书？Y. Bengio博士候选人的研读路径推荐]

[https://mp.weixin.qq.com/s/TtYsTyyGEX7U1ZOSl-lsPw 前沿综述：因果推断与因果性学习研究进展]

[https://mp.weixin.qq.com/s/W6PIE211TavEgg_s3adDdg 因果表征学习最新综述：连接因果科学和机器学习的桥梁]

[https://mp.weixin.qq.com/s/pRgLZFJpbgmAyI7LgOnHug 历时3个月，全球32位讲者，共同讲述因果科学与Causal AI的全景框架！]

[https://mp.weixin.qq.com/s/f-rI5W6tc6qOzthbzK4oAw 崔鹏：稳定学习——挖掘因果推理和机器学习的共同基础]

[https://mp.weixin.qq.com/s/l-05jRYabGI-JoXedU-PLA 因果科学：连接统计学、机器学习与自动推理的新兴交叉领域]

[https://mp.weixin.qq.com/s/ZOUeF_HEFneYVi2BPe8LFg 因果观念新革命？万字长文，解读复杂系统背后的暗因果]

[https://mp.weixin.qq.com/s/dVxgHcQAz_VjT-HDa2fXgg 周晓华：因果推断的数学基础和在医学中的应用]

==== 相关路径 ====
* [https://pattern.swarma.org/path?id=99 因果科学与Casual AI读书会必读参考文献列表]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
* [https://pattern.swarma.org/path?id=9 因果推断方法概述],这个路径对因果在哲学方面的探讨，以及因果在机器学习方面应用的分析。
* [https://pattern.swarma.org/path?id=90 因果科学和 Causal AI入门路径]，这条路径解释了因果科学是什么以及它的发展脉络。此路径将分为三个部分进行展开，第一部分是因果科学的基本定义及其哲学基础，第二部分是统计领域中的因果推断，第三个部分是机器学习中的因果（Causal AI）。
* [https://pattern.swarma.org/path?id=28 复杂网络动力学系统重构文献]，这个路径是张江老师梳理了网络动力学重构问题，描述了动力学建模的常用方法和模型，并介绍了一些经典且重要的论文，这也是复杂系统自动建模读书会的主要论文来源，所以大部分都有解读视频。
* [https://pattern.swarma.org/path?id=114 因果纠缠集智年会——因果推荐系统分论坛]关于因果推荐系统的参考文献和主要嘉宾介绍，来源是集智俱乐部的因果纠缠年会。

== [https://mp.weixin.qq.com/s/-HMX_8RwDcf4xQUdYq19kQ 复杂经济学读书会] ==

为了更好地普及复杂经济学思想，促进复杂经济学教育，推进复杂经济学研究，集智俱乐部特筹备复杂经济学的主题读书会。读书会由北京师范大学李红刚教授发起，获得王有贵、周涛、吕琳媛、张江、陈清华、李睿琪六位老师的内容支持。

=== 基本介绍 ===

传统的主流经济学基于理性人假设，寻求静态的均衡结果。而复杂经济学是一门超越了均衡范式的经济学，它认为经济不是机械的、确定的、可预测的，而是有机的、不确定的、永远在演化进程中。

复杂经济学以一种不同的方式来思考经济，将经济视作不断进行自我“计算”、自我创建和自我更新的处于动态过程中的演化系统。它强调偶然性、意义构建和“一切变化皆有可能”，是一门以预测、反应、创新和替代为基础的“动词”意义上的学科。

复杂经济学以非均衡为基本前提（均衡是其特例），用更具一般性的方法来研究经济，它不仅是对传统经济学的补充和拓展，更可能稳步走向未来经济学的中心。

目前的复杂经济学研究一般基于复杂系统思维，使用多主体建模、复杂网络、统计物理和其它学科、以及大数据分析等思想方法工具，去研究一些传统经济学有意忽视或难以处理的社会经济问题。

==== 参与方式 ====

[[File:复杂经济学读书会.png|400px]]

第一步：扫码填写报名信息。

第二步：信息填写之后，进入付款流程，提交保证金299元。（符合退费条件后可退费。）

第三步：添加负责人微信，拉入对应的读书会讨论群。

我们也会对每次分享的内容进行录制，剪辑后发布在集智学园的官网上，供读书会成员回看。

=== 内容列表 ===
本次读书会正在进行中，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。[https://campus.swarma.org/course/2294 复杂经济学回放地址点击跳转]
[[File:复杂经济学读书会2_compressed.jpg|1300px| [https://campus.swarma.org/course/2294 复杂经济学回放地址点击跳转]]]

=== 其他参考资料 ===

==== 文章总结 ====

[https://mp.weixin.qq.com/s/sAcfkZXlKuE1Y0ooU6JePg César Hidalgo：收益递增的复杂性]

[https://mp.weixin.qq.com/s/_C7v1-lx_BpRSJb1Bv775w 布莱恩·阿瑟：数字经济是增长新引擎，还是潘多拉魔盒？]

[https://mp.weixin.qq.com/s/3yj4LN3IV0UNkXHcQDyLzQ 为什么大脑都是吝啬鬼——大脑网络组织中的经济学]

==== 相关路径 ====

[https://pattern.swarma.org/path?id=109 复杂经济学读书会论文清单]

== [https://mp.weixin.qq.com/s/oUlksh3GCEGxzkS5XPXuxw 复杂系统自动建模——企业建模与发展预测读书会] ==

复杂系统自动建模是通过数据驱动，使用机器学习或其他算法，去找到复杂系统的相互作用的关系以及动力学法则，从而对整个系统进行建模的技术。

此前，我们已经展开了两季复杂系统自动建模主题的读书会。

在第一季读书会中，我们以“助力科研”为核心目的，汇集了一批对复杂系统自动建模感兴趣，以及正在进行相关研究的朋友，通过阅读和讨论一系列前沿和经典文献，对复杂系统进行结构和动力学重构领域进行了深度的讨论和交流。

而在第二季“面向复杂系统人工智能研究”的读书会中，我们着重关注用复杂系统的理论和方法更好地理解人工智能，探讨了基于深度学习的复杂系统自动建模技术，以及基于可解释性的因果推断方法论。并且在此基础上，集智俱乐部涌现出了“因果科学社区”，“因果读书会”第二季也正如火如荼地进行中。

=== 基本介绍 ===

本次读书会是复杂系统自动建模系列读书会第三季。

实证数据表明，一些大企业创造的财富总量往往比一些国家还要多。例如，2019年，苹果公司的总资产为3385亿美元，超过了全球第38大经济体新加坡的国内生产总值(GDP) ；中国最大的互联网企业之一阿里集团的总资产为1438亿美元，几乎和乌克兰的 GDP相等。另一方面，企业是当代经济的基本单位，也是人类与经济环境互动的主要载体。因此，理解企业的演化规律，与理解经济、国家、城市的演化一样，都是我们认识社会系统的重要手段。

而企业是一个典型的复杂系统。企业内部，企业与企业之间都存在着相互作用关系，并且这种相互作用又会推动企业系统的演化。《规模》这本书介绍了企业和生命体一样，存在生长、新陈代谢，以及死亡的机制，探索了不同类型的系统背后存在的统一规律，将网络和规模缩放范式应用于公司的动力学、生长和结构上来，推动了用复杂科学的视角对企业系统的进一步讨论。

我们这次主要内容聚焦于复杂系统自动建模技术在企业研究领域的应用，包括企业破产预测，企业财务属性预测，企业网络研究，企业建模等等。目的在于进一步深入探索复杂科学理论和方法在实证研究中的应用，进一步揭示真实世界的运作模式。

我们也邀请了来自管理科学的老师和同学，对企业研究领域当前关注的问题和方法进行分享，以期实现机器学习、管理科学、网络科学等多学科的碰撞。

==== 报名方式 ====

[[文件:报名表.png|200px]]

第一步：扫码填写报名信息。
第二步：信息填写之后，会弹出对应的课程购买信息，提交保证金399元。（购课相当于提交保证金，符合退费条件后可退费）。
第三步：添加负责人微信，拉入对应的读书会讨论群（需遵守群规）。

我们也会对每次分享的内容进行录制，剪辑后发布在集智学园官网，读书会付费报名成员和集智VIP成员（详情见文末）可以观看录播。

=== 内容列表 ===

本次读书会正在进行中，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。[https://campus.swarma.org/course/2570 企业读书会回放地址点击跳转]

=== 其他参考资料 ===

==== 前两季视频回放 ====

[https://campus.swarma.org/course/1740 复杂系统自动建模第一期的内容回放]
[https://campus.swarma.org/course/1775 复杂系统自动建模第二期的内容回放]

==== 相关文章资料 ====
[https://mp.weixin.qq.com/s/iIq4VaLMz_zhquoFL10oYw 企业规模法则：数学模型如何破解公司组织层级难题]
[https://mp.weixin.qq.com/s/ouu4cfM0ovYUtBPY5hXTiA 为什么公司有衰老死亡，而城市却长生不老？]
[https://mp.weixin.qq.com/s/LQlyD9YFrEci8V-ZJyZMKg 如何用网络科学预测创业公司未来成败？]
[https://mp.weixin.qq.com/s/_qhFxmF-qAvZRyHY37haOQ PNAS刊文揭秘三千万员工大数据：初创公司要想生存，就应该这样招人]
[https://mp.weixin.qq.com/s/O9Q81ebX7DKEUIhvc7r5kQ 超越简单规则——用图神经网络对复杂系统进行自动建模]

==== 相关路径 ====
[https://pattern.swarma.org/path?id=85 基于图网络和深度学习的复杂系统自动建模技术]
[https://pattern.swarma.org/path?id=84 路径 - 应用于复杂系统建模的深度学习技术小综述]
[https://pattern.swarma.org/path?id=28 路径 - 复杂网络动力学系统重构文献]
[https://pattern.swarma.org/path?id=20 路径 - 复杂系统自动建模必读论文列表]

== [https://mp.weixin.qq.com/s/oUlksh3GCEGxzkS5XPXuxw 生命复杂性系列读书会] ==

生命作为最典型的复杂系统，从细胞到个体再到群体，在不同层次上都展现出各种复杂性，引发不同学科研究者的兴趣。为了促进生命复杂系统的跨学科交流，我们策划“生命复杂性”系列读书会，组织精读和讨论相关研究。

=== 基本介绍 ===

在物理学家薛定谔的《生命是什么》中，生命以负熵为食，能够新陈代谢和自我复制。

* 在自创生理论看来，生命就是一个复杂的化学网络，每时每刻都在不断地生成自己，仅仅是化学过程。
*
* 从计算的视角，生命就是一台图灵机。碱基配的过程与图灵二进制的工作原理如出一辙。
*
* 而从信息的视角，生命主体是能将自身信息从过去传播到未来、并保持一定时间完整性度量的集合体。

对“生命是什么”的定义，流派众多。在本次读书会中，我们尝试跳出生物学的桎梏，从物理和信息的角度，理解生命是什么，个体与环境的边界是什么。

==== 报名方式 ====
[[File:生命复杂性读书会报名表.png|400px]]

第一步：扫码填写报名信息。
第二步：信息填写之后，会弹出对应的课程购买信息，提交保证金399元。（购课相当于提交保证金，符合退费条件后可退费）。
第三步：添加负责人微信，拉入对应的读书会讨论群（需遵守群规）。

我们也会对每次分享的内容进行录制，剪辑后发布在集智学园官网，读书会付费报名成员和集智VIP成员（详情见文末）可以观看录播。

=== 内容列表 ===

本次读书会已经结束，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。
本次读书会正在进行中，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。[https://campus.swarma.org/course/2005 生命复杂性读书会回放地址点击跳转]

[[File: 生命复杂性读书会.jpg |1300px| [https://campus.swarma.org/course/2005 生命复杂性读书会回放地址点击跳转]]]

=== 其他参考资料 ===

==== 文章总结 ====

[https://mp.weixin.qq.com/s/zUlrRQNZg2nY2k535mj1wQ 生命是什么？圣塔菲研究所提出“个体信息理论”，重新定义个体生命]

[https://mp.weixin.qq.com/s/xe54zCUPKQAf6wfx666hxQ 生命起源百年探索：进化论、信息论、热力学谁是主角？]

[https://mp.weixin.qq.com/s/YqvLBfnkkXq4T33j3AhqAg 生命起源研究的新里程碑：Science刊文揭示前生命化学自催化网络]

[https://mp.weixin.qq.com/s/qH_6-4smLQdHkh8YpfEvMw 为什么蛋白质兼具可塑性与稳定性？从进化视角揭示生命复杂系统的内在平衡]

==== 相关路径 ====
* [https://pattern.swarma.org/path?id=105 「生命—信息—物理」生命复杂性读书会论文清单（更新中）]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。

== [https://mp.weixin.qq.com/s/dSBpO_MBcksNcMIM6J9oMw 因果科学与Causal AI读书会] ==

本次读书会的目的是希望可以出版一本关于因果推理相关的书籍，我们希望可以通过闭门分享讨论的形式，为大家提供更加沉浸，深度，自由的交流环境，共同掌握因果推理的基础知识，前沿探究，和业界应用，同时将读书会的产出以科普书籍的方式出版。

=== 基本介绍 ===

Judea Pearl 认为当下正在进行一场改变数据科学的新革命 — ”因果革命“。因果革命和以数据为中心的第一次数据科学革命，也就是大数据革命（涉及机器学习，深度学习及其应用，例如Alpha-Go、语音识别、机器翻译、自动驾驶等等）的不同之处在于，它以科学为中心，涉及从数据到政策、可解释性、机制的泛化，再到一些社会科学中的归因和公平性问题，甚至哲学中的创造性和自由意志。可以说，因果革命彻底改变了科学家处理因果问题的方式，形成了一门新学科—因果科学。

前的大多数 AI 系统只是曲线拟合，他们面临许多开放性难题本质上与因果相关，而其中的三个最主要困难 (1) 稳健性/适应性， (2) 可解释性，和 (3) 不能理解因果关系，而这些问题可以用现代因果建模解决。因果推理和机器学习融合，构建具备果推理能力的 Causal AI 系统，是实现强人工智能的关键步骤。

==== 报名方式 ====

[[File:因果科学与causal AI读书会第一期.png|400px]]

第一步：扫码填写报名信息。

第二步：信息填写之后，进入付款流程，提交保证金299元。（符合退费条件后可退费。）

第三步：添加负责人微信，拉入对应的读书会讨论群。

=== 内容列表 ===
本次读书会已经结束，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。[https://campus.swarma.org/course/1798 因果科学读书会回放地址点击跳转]

[[File: 因果科学与Causal AI读书会-1.png |1300px| [https://campus.swarma.org/course/1798 因果科学读书会回放地址点击跳转]]]

=== 其他参考资料 ===

==== 文章总结 ====

[https://mp.weixin.qq.com/s/pRgLZFJpbgmAyI7LgOnHug 历时3个月，全球32位讲者，共同讲述因果科学与Causal AI的全景框架！]

[https://mp.weixin.qq.com/s/f-rI5W6tc6qOzthbzK4oAw 崔鹏：稳定学习——挖掘因果推理和机器学习的共同基础]

[https://mp.weixin.qq.com/s/l-05jRYabGI-JoXedU-PLA 因果科学：连接统计学、机器学习与自动推理的新兴交叉领域]

[https://mp.weixin.qq.com/s/ZOUeF_HEFneYVi2BPe8LFg 因果观念新革命？万字长文，解读复杂系统背后的暗因果]

[https://mp.weixin.qq.com/s/dVxgHcQAz_VjT-HDa2fXgg 周晓华：因果推断的数学基础和在医学中的应用]

==== 相关路径 ====
* [https://pattern.swarma.org/path?id=99 因果科学与Casual AI读书会必读参考文献列表]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
* [https://pattern.swarma.org/path?id=9 因果推断方法概述],这个路径对因果在哲学方面的探讨，以及因果在机器学习方面应用的分析。
* [https://pattern.swarma.org/path?id=90 因果科学和 Causal AI入门路径]，这条路径解释了因果科学是什么以及它的发展脉络。此路径将分为三个部分进行展开，第一部分是因果科学的基本定义及其哲学基础，第二部分是统计领域中的因果推断，第三个部分是机器学习中的因果（Causal AI）。
* [https://pattern.swarma.org/path?id=28 复杂网络动力学系统重构文献]，这个路径是张江老师梳理了网络动力学重构问题，描述了动力学建模的常用方法和模型，并介绍了一些经典且重要的论文，这也是复杂系统自动建模读书会的主要论文来源，所以大部分都有解读视频。
* [https://pattern.swarma.org/path?id=114 因果纠缠集智年会——因果推荐系统分论坛]关于因果推荐系统的参考文献和主要嘉宾介绍，来源是集智俱乐部的因果纠缠年会。

== [https://mp.weixin.qq.com/s/cqRXAIOynrbpjY8a3idAew 面向复杂系统的人工智能读书会] ==

本次读书会的目的是通过闭门分享讨论的形式，我们将为大家提供更加沉浸，深度，自由的交流环境。帮助大家了解面向复杂系统的人工智能研究和前沿进展，了解深度学习，因果推断等方法论如何与复杂系统研究相互影响。为大家在自己的研究领域引入何种人工智能方法提供灵感。

此外，本次读书会还将邀请数名进行过高质量分享的青年学者参与我们后续的闭门研讨活动：“集智-凯风研读营”。研读营是集智年度最高水准的闭门科学研讨活动，是集智科学家们的年度聚会。在研读营期间，你将与多位来自不同领域，世界各个高校的集智科学家们进行为期一周的广泛而深刻的闭门交流，共享前沿知识和灵感。历届研读营都是集智科学家相互赋能的平台，每次研读营之后，集智科学家们都会带着新的灵感进一步推进自己的研究。

=== 基本介绍 ===

近 3 年来，随着数据量的井喷式增长，计算效率的显著提升，以深度学习为代表的人工智能技术迎来了第三次高潮，许多人工智能的产品应用在生活的方方面面，如人脸识别，机器翻译，语音识别等。但是进一步，人们希望机器可以辅助决策时却发现，以人类的视角没有办法很好的理解机器的决策，这时候就存在人与机器的「信任鸿沟」。我们不敢真正信任机器的决策，这也是人工智能在落地智能金融，无人驾驶等更复杂领域时遇到的问题和瓶颈。

所以为了更好利用机器的智能，理解复杂世界，人们开始寻求新的解释世界的方式：希望可以从「复杂系统」的角度进行突破，借助人工智能的方法和技术，揭开人工智能的黑箱，实现人与机器的真正信任。

集智俱乐部一直以来都是国内研究复杂科学的前沿阵地，我们希望可以发动社区内相关领域的研究者，一起来共同学习和探索，结合复杂系统的理论和方法，来更好的理解人工智能。所以我们发起了「面向复杂系统的人工智能研究」读书会。本次读书会将会围绕下面二个子主题，分别是：
基于深度学习的复杂系统自动建模
基于可解释性的因果推断方法论

==== 报名方式 ====

* 第一步：扫码填写报名信息。
* 第二步：信息填写之后，会弹出对应的负责人微信二维码，截图扫码添加二维码即可。
* 第三步：添加负责人微信号，提交保证金399元。
* 第四步：拉入对应的读书会讨论群。
* 第五步：想进一步继续参与研读营的朋友，发送简历或个人网站，research gate主页等能说明身份的资料给到负责人，在读书会结束之后，将公布研读营入选名单。

==== 内容列表 ====
本次读书会已经结束，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。https://campus.swarma.org/course/1775

=== 其他参考资料 ===

==== 文章总结 ====

[https://mp.weixin.qq.com/s/O9Q81ebX7DKEUIhvc7r5kQ 超越简单规则——用图神经网络对复杂系统进行自动建模]

==== 相关路径 ====
* [https://pattern.swarma.org/path?id=79 面向复杂系统的人工智能读书会论文列表]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
* [https://pattern.swarma.org/path?id=9 因果推断方法概述],这个路径对因果在哲学方面的探讨，以及因果在机器学习方面应用的分析。
* [https://pattern.swarma.org/path?id=9 因果推断方法概述],这个路径对因果在哲学方面的探讨，以及因果在机器学习方面应用的分析。
* [https://pattern.swarma.org/path?id=90 因果科学和 Causal AI入门路径]，这条路径解释了因果科学是什么以及它的发展脉络。此路径将分为三个部分进行展开，第一部分是因果科学的基本定义及其哲学基础，第二部分是统计领域中的因果推断，第三个部分是机器学习中的因果（Causal AI）。
* [https://pattern.swarma.org/path?id=28 复杂网络动力学系统重构文献]，这个路径是张江老师梳理了网络动力学重构问题，描述了动力学建模的常用方法和模型，并介绍了一些经典且重要的论文，这也是复杂系统自动建模读书会的主要论文来源，所以大部分都有解读视频。
* [https://pattern.swarma.org/path?id=28 应用于复杂系统建模的深度学习技术小综述]，这个路径是张江老师对复杂系统自动建模的一个小综述，主要介绍了复杂系统自动建模的四个阶段，并介绍了一些经典且重要的论文。
* [https://pattern.swarma.org/path?id=85 基于图网络和深度学习的复杂系统自动建模技术]，本篇路径则重点放在综述用神经网络、深度学习方法实现的各种方法和文献。我们将按照动力学学习、网络结构学习及其它这三个方面来综述。

== [https://mp.weixin.qq.com/s/e1M-GX91sQ8w7K0ivjI3SA 科学学读书会] ==

科学是研究实践、是理性精神，也是一个由学者、文献、科研项目、科学思想与灵感等一起构成的自组织、自生长的复杂系统。科学学则是一门学科，旨在深入理解科学研究的种种因素并推动科学发展。

=== 基本介绍 ===

科学是一个由学者、文献、科研项目、科学思想与灵感等一起构成的自组织、自生长的复杂系统。与人类社会的其他复杂系统相比，科学通过自我革新精神实现了更大跨度的发展（科学革命），又通过文献传承更好的记录了自身的发展历史。

科学复杂系统中的事件对世界有广泛而深刻的影响：
* 创新是如何发生的
* 科学思想与知识是如何传播的
* 各学科发展的趋势是什么
* 跨学科研究何以不断涌现
* 团队规模如何影响科研成果
* 科学家的职业生涯与成就有无规律可循
* ...

这些都是科学学研究的问题。通过研究和回答这些问题，我们能够以科学的视角认知科学、理解科学，进而也促进科学事业的发展。

==== 报名方式 ====

==== 内容列表 ====
本次读书会已经结束，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。https://campus.swarma.org/course/2014

=== 其他参考资料 ===

==== 文章总结 ====

[https://mp.weixin.qq.com/s/_Ye_9_88VAoCJQqro-OB-g Science经典综述文章：什么是科学学]

==== 相关路径 ====
* [https://pattern.swarma.org/path?id=70 复杂系统下的科学学]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
* [https://pattern.swarma.org/path?id=12 计算社会科学入门路径]，这个路径是梳理了计算社会科学的历史和研究方法，并列举了一些重要且经典的论文。

== [https://mp.weixin.qq.com/s/yL2LmgkURpMhnZJjx1fkVA 复杂系统自动建模读书会] ==

复杂系统广阔而神秘，地球上的生物、气候、人脑、社会和经济的组织、一个生态系统、一个活细胞、甚至整个宇宙都属于复杂系统。本文旨在召集对复杂系统建模感兴趣或正在进行相关研究的朋友参与到此次读书会中，通过阅读经典文章，大家集思广益，激发科研想法，促进科研合作。

=== 基本介绍 ===

复杂系统是对生物，社会，金融，气候等不同领域内大量现象进行建模的重要手段。复杂系统的一大特征是，在系统内存在着大量个体，他们之间会发生相互作用。在现实生活中，尤其是在当今的大数据时代，我们通常面临的问题就是我们拥有大量对系统进行观察的数据，如个体个体的时间演变状态，个体的信息，而无法直接观察到个体之间的网络连接结构，也不知道个体之间的动力学演化规则。复杂网路自动建模问题关注的即是通过数据驱动，通过机器学习或其他算法去找到他们相互作用的关系以及动力学法则，从而对整个复杂系统进行建模。

本次读书会的核心目的是「助力科研」，旨在汇集一批对复杂系统自动建模感兴趣或者正在进行相关研究的朋友，通过阅读和讨论一系列前沿或者经典的对复杂系统进行结构和动力学重构的文章，进行深度讨论和交流，从而激发科研想法，促进读书会成员内部的科研的合作，产出和落地，并产生学术价值。

这是一个长期的读书会活动，读书会预计持续时间为半年，每2周会有人选择网络重构文献待续列表中论文（会持续增加新的经典和前沿论文），制作论文解读的 ppt 文件，在 zoom 会议软件上按照每2周1次，每次研读2-3篇论文的形式进行，以分享、讨论、复现代码为主。

==== 报名方式 ====

==== 内容列表 ====
本次读书会已经结束，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。https://campus.swarma.org/course/1740

=== 其他参考资料 ===

==== 文章总结 ====

[https://mp.weixin.qq.com/s/O9Q81ebX7DKEUIhvc7r5kQ 超越简单规则——用图神经网络对复杂系统进行自动建模]

==== 相关路径 ====
* [https://pattern.swarma.org/path?id=20 复杂系统自动建模必读论文列表]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
* [https://pattern.swarma.org/path?id=28 复杂网络动力学系统重构文献]，这个路径是张江老师梳理了网络动力学重构问题，描述了动力学建模的常用方法和模型，并介绍了一些经典且重要的论文，这也是复杂系统自动建模读书会的主要论文来源，所以大部分都有解读视频。
* [https://pattern.swarma.org/path?id=28 应用于复杂系统建模的深度学习技术小综述]，这个路径是张江老师对复杂系统自动建模的一个小综述，主要介绍了复杂系统自动建模的四个阶段，并介绍了一些经典且重要的论文。
* [https://pattern.swarma.org/path?id=85 基于图网络和深度学习的复杂系统自动建模技术]，本篇路径则重点放在综述用神经网络、深度学习方法实现的各种方法和文献。我们将按照动力学学习、网络结构学习及其它这三个方面来综述。

集智俱乐部读书会

2021-05-06T02:42:14Z

陶如意：

{{#seo:
|keywords=因果科学,复杂经济学,生命复杂性,网络科学
|description=因果科学,复杂经济学,生命复杂性,网络科学
}}

集智俱乐部读书会是面向广大科研工作者的系列论文研读活动，其目的是共同深入学习探讨某个科学议题，了解前沿进展，激发科研灵感，促进科研合作，降低科研门槛。

读书会活动始于 2008 年，至今已经有 40 余个主题，内容涵盖复杂系统、人工智能、脑与意识、生命科学、因果科学、计算社会科学等。凝聚了众多优秀科研工作者，促进了科研合作发表论文，孵化了许多科研产品。如 2013 年的“深度学习”读书会孕育了彩云天气 APP，2015 年的“集体注意力流”读书会产生了众包书籍《走近2050》等。

集智俱乐部从2020年开始举办线上读书会，目前已有因果科学、生命复杂性、图神经网络、复杂系统自动建模、科学学、复杂经济学等主题的读书会，沉淀了非常多的主题和讨论，具体可看以下列表。

{| class="wikitable"
|+ 集智俱乐部2020-2021年读书会排期表
|-
! 读书会主题!! 核心发起人 !! 运营负责人 !! 报名途径 !! 持续期数 !! 当前状态 !! 固定时间
|-
| [https://mp.weixin.qq.com/s/_wUeYz3wlfZqG8_W9_X3QQ 因果科学读书会第二季] || 李奉治等 || 王婷 || https://campus.swarma.org/form/activity/27 || 11 || 进行中 || 周日上午10：00-12：00
|-
| [https://mp.weixin.qq.com/s/-HMX_8RwDcf4xQUdYq19kQ 复杂经济学读书会] || 李红刚等||王朝会 ||https://campus.swarma.org/form/activity/24 || 16 || 进行中|| 周二晚上8：00-10：00
|-
| [https://pattern.swarma.org/path?id=125 企业发展建模与预测读书会] || 张江等 || 陶如意 || https://campus.swarma.org/form/activity/31
|| 10 || 进行中 || 每周一晚上20:00--22:00
|-
| [https://pattern.swarma.org/path?id=125 社会计算读书会] ||王硕等 || 王建男|| https://campus.swarma.org/form/activity/32 || 10 || 即将开启 || 5月27日起，每周四晚上8：00-10：00
|-
|[https://mp.weixin.qq.com/s/oUlksh3GCEGxzkS5XPXuxw 生命复杂性系列读书会] || 傅渥成等 ||刘培源 || https://campus.swarma.org/form/activity/16 ||12 || 已结束 ||周四晚上8：00-10：00
|-
| [https://mp.weixin.qq.com/s/dSBpO_MBcksNcMIM6J9oMw 因果科学与Causal AI读书会] || 龚鹤扬等 || 王婷||https://campus.swarma.org/form/activity/12||14 || 已结束 ||周日晚上8：00-10：00
|-
| [https://mp.weixin.qq.com/s/cqRXAIOynrbpjY8a3idAew 面向复杂系统的人工智能研究读书会] || 张江 ||张章 || https://campus.swarma.org/form/activity/8 ||9 ||已结束 ||周日晚上8：00-10：00
|-
| [https://mp.weixin.qq.com/s/e1M-GX91sQ8w7K0ivjI3SA 科学学读书会] || 胡乔 || 胡乔|| https://campus.swarma.org/form/activity/7 ||6 || 已结束 || 周三晚上8：00-10：00
|-
| [https://mp.weixin.qq.com/s/yL2LmgkURpMhnZJjx1fkVA 复杂系统自动建模读书会] ||张江 ||王婷 ||https://campus.swarma.org/form/activity/3 ||12 ||已结束 || 周日晚上8：00-10：00
|-

| 复杂管理学读书会||待定 || 待定 || || || 待开始 ||
|-

| 城市复杂性读书会|| 待定 || 王婷 || || ||待开始 ||
|-
|}

== [https://mp.weixin.qq.com/s/_wUeYz3wlfZqG8_W9_X3QQ 因果科学读书会第二季] ==

为了进一步帮助整个社群的参与者拥有将因果推理的方法真正的应用到自己相关的研究中的能力，从基础知识及基本技能建立因果科学的计算框架，掌握举一反三，发现真正的问题并解决问题的能力；我们启动了因果科学社区的第二季读书会。

=== 基本介绍 ===

哥伦比亚大学 CausalAI 实验室主任 Elias Bareinboim 在其 ACM 邀请文章中提到：“如果我们希望下一代人工智能系统是安全的，稳健的，与人类兼容的，提升人类社会福祉的，那么把因果之梯和人类经验连接起来是至关重要的步骤”。回顾人类从亚里士多德开始的 2000 多年的因果研究历程，探求事物之间的因果关系是哲学、自然科学和社会科学等众多研究所追求的终极目标。那么如何让 AI 系统超越曲线拟合，攀登因果之梯思考为什么，并使用因果建模回答因果问题？是本次读书会希望解决的问题。

读书会期间将会精读两本因果科学方向最广泛认可入门教材（具体内容见下方阅读材料），我们不仅将共同完成书籍中的思考题，同时还独创性地加入编程实践内容，让大家可以亲手体验因果科学的美丽。
新的读书会将着重介绍如何计算干预分布，如何从观察和干预数据中推断因果模型，以及因果思想如何产生用于经典机器学习问题。非常适合有机器学习背景，希望深入学习研究因果科学的基础知识和重要模型方法，寻求解决相关研究问题的朋友参加。

==== 参与方式 ====

[[File:因果科学读书会报名.png|400px]]

第一步：扫码填写报名信息。

第二步：信息填写之后，进入付款流程，提交保证金299元。（符合退费条件后可退费。）

第三步：添加负责人微信，拉入对应的读书会讨论群。

我们也会对每次分享的内容进行录制，剪辑后发布在集智学园的官网上，供读书会成员回看。

=== 内容列表 ===

本次读书会正在进行中，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容:[https://campus.swarma.org/course/2460 因果科学第二季回放地址]
[[File:因果科学第二期报名.png|1300px |[https://campus.swarma.org/course/2460 因果科学第二季回放地址] ]]

=== 其他参考资料 ===

==== 文章总结 ====

[https://mp.weixin.qq.com/s/mOdTI0gR9rsRyX4fz3mYNA 因果科学入门读什么书？Y. Bengio博士候选人的研读路径推荐]

[https://mp.weixin.qq.com/s/TtYsTyyGEX7U1ZOSl-lsPw 前沿综述：因果推断与因果性学习研究进展]

[https://mp.weixin.qq.com/s/W6PIE211TavEgg_s3adDdg 因果表征学习最新综述：连接因果科学和机器学习的桥梁]

[https://mp.weixin.qq.com/s/pRgLZFJpbgmAyI7LgOnHug 历时3个月，全球32位讲者，共同讲述因果科学与Causal AI的全景框架！]

[https://mp.weixin.qq.com/s/f-rI5W6tc6qOzthbzK4oAw 崔鹏：稳定学习——挖掘因果推理和机器学习的共同基础]

[https://mp.weixin.qq.com/s/l-05jRYabGI-JoXedU-PLA 因果科学：连接统计学、机器学习与自动推理的新兴交叉领域]

[https://mp.weixin.qq.com/s/ZOUeF_HEFneYVi2BPe8LFg 因果观念新革命？万字长文，解读复杂系统背后的暗因果]

[https://mp.weixin.qq.com/s/dVxgHcQAz_VjT-HDa2fXgg 周晓华：因果推断的数学基础和在医学中的应用]

==== 相关路径 ====
* [https://pattern.swarma.org/path?id=99 因果科学与Casual AI读书会必读参考文献列表]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
* [https://pattern.swarma.org/path?id=9 因果推断方法概述],这个路径对因果在哲学方面的探讨，以及因果在机器学习方面应用的分析。
* [https://pattern.swarma.org/path?id=90 因果科学和 Causal AI入门路径]，这条路径解释了因果科学是什么以及它的发展脉络。此路径将分为三个部分进行展开，第一部分是因果科学的基本定义及其哲学基础，第二部分是统计领域中的因果推断，第三个部分是机器学习中的因果（Causal AI）。
* [https://pattern.swarma.org/path?id=28 复杂网络动力学系统重构文献]，这个路径是张江老师梳理了网络动力学重构问题，描述了动力学建模的常用方法和模型，并介绍了一些经典且重要的论文，这也是复杂系统自动建模读书会的主要论文来源，所以大部分都有解读视频。
* [https://pattern.swarma.org/path?id=114 因果纠缠集智年会——因果推荐系统分论坛]关于因果推荐系统的参考文献和主要嘉宾介绍，来源是集智俱乐部的因果纠缠年会。

== [https://mp.weixin.qq.com/s/-HMX_8RwDcf4xQUdYq19kQ 复杂经济学读书会] ==

为了更好地普及复杂经济学思想，促进复杂经济学教育，推进复杂经济学研究，集智俱乐部特筹备复杂经济学的主题读书会。读书会由北京师范大学李红刚教授发起，获得王有贵、周涛、吕琳媛、张江、陈清华、李睿琪六位老师的内容支持。

=== 基本介绍 ===

传统的主流经济学基于理性人假设，寻求静态的均衡结果。而复杂经济学是一门超越了均衡范式的经济学，它认为经济不是机械的、确定的、可预测的，而是有机的、不确定的、永远在演化进程中。

复杂经济学以一种不同的方式来思考经济，将经济视作不断进行自我“计算”、自我创建和自我更新的处于动态过程中的演化系统。它强调偶然性、意义构建和“一切变化皆有可能”，是一门以预测、反应、创新和替代为基础的“动词”意义上的学科。

复杂经济学以非均衡为基本前提（均衡是其特例），用更具一般性的方法来研究经济，它不仅是对传统经济学的补充和拓展，更可能稳步走向未来经济学的中心。

目前的复杂经济学研究一般基于复杂系统思维，使用多主体建模、复杂网络、统计物理和其它学科、以及大数据分析等思想方法工具，去研究一些传统经济学有意忽视或难以处理的社会经济问题。

==== 参与方式 ====

[[File:复杂经济学读书会.png|400px]]

第一步：扫码填写报名信息。

第二步：信息填写之后，进入付款流程，提交保证金299元。（符合退费条件后可退费。）

第三步：添加负责人微信，拉入对应的读书会讨论群。

我们也会对每次分享的内容进行录制，剪辑后发布在集智学园的官网上，供读书会成员回看。

=== 内容列表 ===
本次读书会正在进行中，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。[https://campus.swarma.org/course/2294 复杂经济学回放地址点击跳转]
[[File:复杂经济学读书会2_compressed.jpg|1300px| [https://campus.swarma.org/course/2294 复杂经济学回放地址点击跳转]]]

=== 其他参考资料 ===

==== 文章总结 ====

[https://mp.weixin.qq.com/s/sAcfkZXlKuE1Y0ooU6JePg César Hidalgo：收益递增的复杂性]

[https://mp.weixin.qq.com/s/_C7v1-lx_BpRSJb1Bv775w 布莱恩·阿瑟：数字经济是增长新引擎，还是潘多拉魔盒？]

[https://mp.weixin.qq.com/s/3yj4LN3IV0UNkXHcQDyLzQ 为什么大脑都是吝啬鬼——大脑网络组织中的经济学]

==== 相关路径 ====

[https://pattern.swarma.org/path?id=109 复杂经济学读书会论文清单]

== [https://mp.weixin.qq.com/s/oUlksh3GCEGxzkS5XPXuxw 复杂系统自动建模——企业建模与发展预测读书会] ==

复杂系统自动建模是通过数据驱动，使用机器学习或其他算法，去找到复杂系统的相互作用的关系以及动力学法则，从而对整个系统进行建模的技术。

此前，我们已经展开了两季复杂系统自动建模主题的读书会。

在第一季读书会中，我们以“助力科研”为核心目的，汇集了一批对复杂系统自动建模感兴趣，以及正在进行相关研究的朋友，通过阅读和讨论一系列前沿和经典文献，对复杂系统进行结构和动力学重构领域进行了深度的讨论和交流。

而在第二季“面向复杂系统人工智能研究”的读书会中，我们着重关注用复杂系统的理论和方法更好地理解人工智能，探讨了基于深度学习的复杂系统自动建模技术，以及基于可解释性的因果推断方法论。并且在此基础上，集智俱乐部涌现出了“因果科学社区”，“因果读书会”第二季也正如火如荼地进行中。

=== 基本介绍 ===

本次读书会是复杂系统自动建模系列读书会第三季。

实证数据表明，一些大企业创造的财富总量往往比一些国家还要多。例如，2019年，苹果公司的总资产为3385亿美元，超过了全球第38大经济体新加坡的国内生产总值(GDP) ；中国最大的互联网企业之一阿里集团的总资产为1438亿美元，几乎和乌克兰的 GDP相等。另一方面，企业是当代经济的基本单位，也是人类与经济环境互动的主要载体。因此，理解企业的演化规律，与理解经济、国家、城市的演化一样，都是我们认识社会系统的重要手段。

而企业是一个典型的复杂系统。企业内部，企业与企业之间都存在着相互作用关系，并且这种相互作用又会推动企业系统的演化。《规模》这本书介绍了企业和生命体一样，存在生长、新陈代谢，以及死亡的机制，探索了不同类型的系统背后存在的统一规律，将网络和规模缩放范式应用于公司的动力学、生长和结构上来，推动了用复杂科学的视角对企业系统的进一步讨论。

我们这次主要内容聚焦于复杂系统自动建模技术在企业研究领域的应用，包括企业破产预测，企业财务属性预测，企业网络研究，企业建模等等。目的在于进一步深入探索复杂科学理论和方法在实证研究中的应用，进一步揭示真实世界的运作模式。

我们也邀请了来自管理科学的老师和同学，对企业研究领域当前关注的问题和方法进行分享，以期实现机器学习、管理科学、网络科学等多学科的碰撞。

==== 报名方式 ====

[[文件:报名表.png|400px]]

第一步：扫码填写报名信息。
第二步：信息填写之后，会弹出对应的课程购买信息，提交保证金399元。（购课相当于提交保证金，符合退费条件后可退费）。
第三步：添加负责人微信，拉入对应的读书会讨论群（需遵守群规）。

我们也会对每次分享的内容进行录制，剪辑后发布在集智学园官网，读书会付费报名成员和集智VIP成员（详情见文末）可以观看录播。

=== 内容列表 ===

本次读书会正在进行中，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。[https://campus.swarma.org/course/2570 企业读书会回放地址点击跳转]

=== 其他参考资料 ===

==== 前两季视频回放 ====

[https://campus.swarma.org/course/1740 复杂系统自动建模第一期的内容回放]
[https://campus.swarma.org/course/1775 复杂系统自动建模第二期的内容回放]

==== 相关文章资料 ====
[https://mp.weixin.qq.com/s/iIq4VaLMz_zhquoFL10oYw 企业规模法则：数学模型如何破解公司组织层级难题]
[https://mp.weixin.qq.com/s/ouu4cfM0ovYUtBPY5hXTiA 为什么公司有衰老死亡，而城市却长生不老？]
[https://mp.weixin.qq.com/s/LQlyD9YFrEci8V-ZJyZMKg 如何用网络科学预测创业公司未来成败？]
[https://mp.weixin.qq.com/s/_qhFxmF-qAvZRyHY37haOQ PNAS刊文揭秘三千万员工大数据：初创公司要想生存，就应该这样招人]
[https://mp.weixin.qq.com/s/O9Q81ebX7DKEUIhvc7r5kQ 超越简单规则——用图神经网络对复杂系统进行自动建模]

==== 相关路径 ====
[https://pattern.swarma.org/path?id=85 基于图网络和深度学习的复杂系统自动建模技术]
[https://pattern.swarma.org/path?id=84 路径 - 应用于复杂系统建模的深度学习技术小综述]
[https://pattern.swarma.org/path?id=28 路径 - 复杂网络动力学系统重构文献]
[https://pattern.swarma.org/path?id=20 路径 - 复杂系统自动建模必读论文列表]

== [https://mp.weixin.qq.com/s/oUlksh3GCEGxzkS5XPXuxw 生命复杂性系列读书会] ==

生命作为最典型的复杂系统，从细胞到个体再到群体，在不同层次上都展现出各种复杂性，引发不同学科研究者的兴趣。为了促进生命复杂系统的跨学科交流，我们策划“生命复杂性”系列读书会，组织精读和讨论相关研究。

=== 基本介绍 ===

在物理学家薛定谔的《生命是什么》中，生命以负熵为食，能够新陈代谢和自我复制。

* 在自创生理论看来，生命就是一个复杂的化学网络，每时每刻都在不断地生成自己，仅仅是化学过程。
*
* 从计算的视角，生命就是一台图灵机。碱基配的过程与图灵二进制的工作原理如出一辙。
*
* 而从信息的视角，生命主体是能将自身信息从过去传播到未来、并保持一定时间完整性度量的集合体。

对“生命是什么”的定义，流派众多。在本次读书会中，我们尝试跳出生物学的桎梏，从物理和信息的角度，理解生命是什么，个体与环境的边界是什么。

==== 报名方式 ====
[[File:生命复杂性读书会报名表.png|400px]]

第一步：扫码填写报名信息。
第二步：信息填写之后，会弹出对应的课程购买信息，提交保证金399元。（购课相当于提交保证金，符合退费条件后可退费）。
第三步：添加负责人微信，拉入对应的读书会讨论群（需遵守群规）。

我们也会对每次分享的内容进行录制，剪辑后发布在集智学园官网，读书会付费报名成员和集智VIP成员（详情见文末）可以观看录播。

=== 内容列表 ===

本次读书会已经结束，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。
本次读书会正在进行中，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。[https://campus.swarma.org/course/2005 生命复杂性读书会回放地址点击跳转]

[[File: 生命复杂性读书会.jpg |1300px| [https://campus.swarma.org/course/2005 生命复杂性读书会回放地址点击跳转]]]

=== 其他参考资料 ===

==== 文章总结 ====

[https://mp.weixin.qq.com/s/zUlrRQNZg2nY2k535mj1wQ 生命是什么？圣塔菲研究所提出“个体信息理论”，重新定义个体生命]

[https://mp.weixin.qq.com/s/xe54zCUPKQAf6wfx666hxQ 生命起源百年探索：进化论、信息论、热力学谁是主角？]

[https://mp.weixin.qq.com/s/YqvLBfnkkXq4T33j3AhqAg 生命起源研究的新里程碑：Science刊文揭示前生命化学自催化网络]

[https://mp.weixin.qq.com/s/qH_6-4smLQdHkh8YpfEvMw 为什么蛋白质兼具可塑性与稳定性？从进化视角揭示生命复杂系统的内在平衡]

==== 相关路径 ====
* [https://pattern.swarma.org/path?id=105 「生命—信息—物理」生命复杂性读书会论文清单（更新中）]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。

== [https://mp.weixin.qq.com/s/dSBpO_MBcksNcMIM6J9oMw 因果科学与Causal AI读书会] ==

本次读书会的目的是希望可以出版一本关于因果推理相关的书籍，我们希望可以通过闭门分享讨论的形式，为大家提供更加沉浸，深度，自由的交流环境，共同掌握因果推理的基础知识，前沿探究，和业界应用，同时将读书会的产出以科普书籍的方式出版。

=== 基本介绍 ===

Judea Pearl 认为当下正在进行一场改变数据科学的新革命 — ”因果革命“。因果革命和以数据为中心的第一次数据科学革命，也就是大数据革命（涉及机器学习，深度学习及其应用，例如Alpha-Go、语音识别、机器翻译、自动驾驶等等）的不同之处在于，它以科学为中心，涉及从数据到政策、可解释性、机制的泛化，再到一些社会科学中的归因和公平性问题，甚至哲学中的创造性和自由意志。可以说，因果革命彻底改变了科学家处理因果问题的方式，形成了一门新学科—因果科学。

前的大多数 AI 系统只是曲线拟合，他们面临许多开放性难题本质上与因果相关，而其中的三个最主要困难 (1) 稳健性/适应性， (2) 可解释性，和 (3) 不能理解因果关系，而这些问题可以用现代因果建模解决。因果推理和机器学习融合，构建具备果推理能力的 Causal AI 系统，是实现强人工智能的关键步骤。

==== 报名方式 ====

[[File:因果科学与causal AI读书会第一期.png|400px]]

第一步：扫码填写报名信息。

第二步：信息填写之后，进入付款流程，提交保证金299元。（符合退费条件后可退费。）

第三步：添加负责人微信，拉入对应的读书会讨论群。

=== 内容列表 ===
本次读书会已经结束，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。[https://campus.swarma.org/course/1798 因果科学读书会回放地址点击跳转]

[[File: 因果科学与Causal AI读书会-1.png |1300px| [https://campus.swarma.org/course/1798 因果科学读书会回放地址点击跳转]]]

=== 其他参考资料 ===

==== 文章总结 ====

[https://mp.weixin.qq.com/s/pRgLZFJpbgmAyI7LgOnHug 历时3个月，全球32位讲者，共同讲述因果科学与Causal AI的全景框架！]

[https://mp.weixin.qq.com/s/f-rI5W6tc6qOzthbzK4oAw 崔鹏：稳定学习——挖掘因果推理和机器学习的共同基础]

[https://mp.weixin.qq.com/s/l-05jRYabGI-JoXedU-PLA 因果科学：连接统计学、机器学习与自动推理的新兴交叉领域]

[https://mp.weixin.qq.com/s/ZOUeF_HEFneYVi2BPe8LFg 因果观念新革命？万字长文，解读复杂系统背后的暗因果]

[https://mp.weixin.qq.com/s/dVxgHcQAz_VjT-HDa2fXgg 周晓华：因果推断的数学基础和在医学中的应用]

==== 相关路径 ====
* [https://pattern.swarma.org/path?id=99 因果科学与Casual AI读书会必读参考文献列表]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
* [https://pattern.swarma.org/path?id=9 因果推断方法概述],这个路径对因果在哲学方面的探讨，以及因果在机器学习方面应用的分析。
* [https://pattern.swarma.org/path?id=90 因果科学和 Causal AI入门路径]，这条路径解释了因果科学是什么以及它的发展脉络。此路径将分为三个部分进行展开，第一部分是因果科学的基本定义及其哲学基础，第二部分是统计领域中的因果推断，第三个部分是机器学习中的因果（Causal AI）。
* [https://pattern.swarma.org/path?id=28 复杂网络动力学系统重构文献]，这个路径是张江老师梳理了网络动力学重构问题，描述了动力学建模的常用方法和模型，并介绍了一些经典且重要的论文，这也是复杂系统自动建模读书会的主要论文来源，所以大部分都有解读视频。
* [https://pattern.swarma.org/path?id=114 因果纠缠集智年会——因果推荐系统分论坛]关于因果推荐系统的参考文献和主要嘉宾介绍，来源是集智俱乐部的因果纠缠年会。

== [https://mp.weixin.qq.com/s/cqRXAIOynrbpjY8a3idAew 面向复杂系统的人工智能读书会] ==

本次读书会的目的是通过闭门分享讨论的形式，我们将为大家提供更加沉浸，深度，自由的交流环境。帮助大家了解面向复杂系统的人工智能研究和前沿进展，了解深度学习，因果推断等方法论如何与复杂系统研究相互影响。为大家在自己的研究领域引入何种人工智能方法提供灵感。

此外，本次读书会还将邀请数名进行过高质量分享的青年学者参与我们后续的闭门研讨活动：“集智-凯风研读营”。研读营是集智年度最高水准的闭门科学研讨活动，是集智科学家们的年度聚会。在研读营期间，你将与多位来自不同领域，世界各个高校的集智科学家们进行为期一周的广泛而深刻的闭门交流，共享前沿知识和灵感。历届研读营都是集智科学家相互赋能的平台，每次研读营之后，集智科学家们都会带着新的灵感进一步推进自己的研究。

=== 基本介绍 ===

近 3 年来，随着数据量的井喷式增长，计算效率的显著提升，以深度学习为代表的人工智能技术迎来了第三次高潮，许多人工智能的产品应用在生活的方方面面，如人脸识别，机器翻译，语音识别等。但是进一步，人们希望机器可以辅助决策时却发现，以人类的视角没有办法很好的理解机器的决策，这时候就存在人与机器的「信任鸿沟」。我们不敢真正信任机器的决策，这也是人工智能在落地智能金融，无人驾驶等更复杂领域时遇到的问题和瓶颈。

所以为了更好利用机器的智能，理解复杂世界，人们开始寻求新的解释世界的方式：希望可以从「复杂系统」的角度进行突破，借助人工智能的方法和技术，揭开人工智能的黑箱，实现人与机器的真正信任。

集智俱乐部一直以来都是国内研究复杂科学的前沿阵地，我们希望可以发动社区内相关领域的研究者，一起来共同学习和探索，结合复杂系统的理论和方法，来更好的理解人工智能。所以我们发起了「面向复杂系统的人工智能研究」读书会。本次读书会将会围绕下面二个子主题，分别是：
基于深度学习的复杂系统自动建模
基于可解释性的因果推断方法论

==== 报名方式 ====

* 第一步：扫码填写报名信息。
* 第二步：信息填写之后，会弹出对应的负责人微信二维码，截图扫码添加二维码即可。
* 第三步：添加负责人微信号，提交保证金399元。
* 第四步：拉入对应的读书会讨论群。
* 第五步：想进一步继续参与研读营的朋友，发送简历或个人网站，research gate主页等能说明身份的资料给到负责人，在读书会结束之后，将公布研读营入选名单。

==== 内容列表 ====
本次读书会已经结束，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。https://campus.swarma.org/course/1775

=== 其他参考资料 ===

==== 文章总结 ====

[https://mp.weixin.qq.com/s/O9Q81ebX7DKEUIhvc7r5kQ 超越简单规则——用图神经网络对复杂系统进行自动建模]

==== 相关路径 ====
* [https://pattern.swarma.org/path?id=79 面向复杂系统的人工智能读书会论文列表]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
* [https://pattern.swarma.org/path?id=9 因果推断方法概述],这个路径对因果在哲学方面的探讨，以及因果在机器学习方面应用的分析。
* [https://pattern.swarma.org/path?id=9 因果推断方法概述],这个路径对因果在哲学方面的探讨，以及因果在机器学习方面应用的分析。
* [https://pattern.swarma.org/path?id=90 因果科学和 Causal AI入门路径]，这条路径解释了因果科学是什么以及它的发展脉络。此路径将分为三个部分进行展开，第一部分是因果科学的基本定义及其哲学基础，第二部分是统计领域中的因果推断，第三个部分是机器学习中的因果（Causal AI）。
* [https://pattern.swarma.org/path?id=28 复杂网络动力学系统重构文献]，这个路径是张江老师梳理了网络动力学重构问题，描述了动力学建模的常用方法和模型，并介绍了一些经典且重要的论文，这也是复杂系统自动建模读书会的主要论文来源，所以大部分都有解读视频。
* [https://pattern.swarma.org/path?id=28 应用于复杂系统建模的深度学习技术小综述]，这个路径是张江老师对复杂系统自动建模的一个小综述，主要介绍了复杂系统自动建模的四个阶段，并介绍了一些经典且重要的论文。
* [https://pattern.swarma.org/path?id=85 基于图网络和深度学习的复杂系统自动建模技术]，本篇路径则重点放在综述用神经网络、深度学习方法实现的各种方法和文献。我们将按照动力学学习、网络结构学习及其它这三个方面来综述。

== [https://mp.weixin.qq.com/s/e1M-GX91sQ8w7K0ivjI3SA 科学学读书会] ==

科学是研究实践、是理性精神，也是一个由学者、文献、科研项目、科学思想与灵感等一起构成的自组织、自生长的复杂系统。科学学则是一门学科，旨在深入理解科学研究的种种因素并推动科学发展。

=== 基本介绍 ===

科学是一个由学者、文献、科研项目、科学思想与灵感等一起构成的自组织、自生长的复杂系统。与人类社会的其他复杂系统相比，科学通过自我革新精神实现了更大跨度的发展（科学革命），又通过文献传承更好的记录了自身的发展历史。

科学复杂系统中的事件对世界有广泛而深刻的影响：
* 创新是如何发生的
* 科学思想与知识是如何传播的
* 各学科发展的趋势是什么
* 跨学科研究何以不断涌现
* 团队规模如何影响科研成果
* 科学家的职业生涯与成就有无规律可循
* ...

这些都是科学学研究的问题。通过研究和回答这些问题，我们能够以科学的视角认知科学、理解科学，进而也促进科学事业的发展。

==== 报名方式 ====

==== 内容列表 ====
本次读书会已经结束，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。https://campus.swarma.org/course/2014

=== 其他参考资料 ===

==== 文章总结 ====

[https://mp.weixin.qq.com/s/_Ye_9_88VAoCJQqro-OB-g Science经典综述文章：什么是科学学]

==== 相关路径 ====
* [https://pattern.swarma.org/path?id=70 复杂系统下的科学学]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
* [https://pattern.swarma.org/path?id=12 计算社会科学入门路径]，这个路径是梳理了计算社会科学的历史和研究方法，并列举了一些重要且经典的论文。

== [https://mp.weixin.qq.com/s/yL2LmgkURpMhnZJjx1fkVA 复杂系统自动建模读书会] ==

复杂系统广阔而神秘，地球上的生物、气候、人脑、社会和经济的组织、一个生态系统、一个活细胞、甚至整个宇宙都属于复杂系统。本文旨在召集对复杂系统建模感兴趣或正在进行相关研究的朋友参与到此次读书会中，通过阅读经典文章，大家集思广益，激发科研想法，促进科研合作。

=== 基本介绍 ===

复杂系统是对生物，社会，金融，气候等不同领域内大量现象进行建模的重要手段。复杂系统的一大特征是，在系统内存在着大量个体，他们之间会发生相互作用。在现实生活中，尤其是在当今的大数据时代，我们通常面临的问题就是我们拥有大量对系统进行观察的数据，如个体个体的时间演变状态，个体的信息，而无法直接观察到个体之间的网络连接结构，也不知道个体之间的动力学演化规则。复杂网路自动建模问题关注的即是通过数据驱动，通过机器学习或其他算法去找到他们相互作用的关系以及动力学法则，从而对整个复杂系统进行建模。

本次读书会的核心目的是「助力科研」，旨在汇集一批对复杂系统自动建模感兴趣或者正在进行相关研究的朋友，通过阅读和讨论一系列前沿或者经典的对复杂系统进行结构和动力学重构的文章，进行深度讨论和交流，从而激发科研想法，促进读书会成员内部的科研的合作，产出和落地，并产生学术价值。

这是一个长期的读书会活动，读书会预计持续时间为半年，每2周会有人选择网络重构文献待续列表中论文（会持续增加新的经典和前沿论文），制作论文解读的 ppt 文件，在 zoom 会议软件上按照每2周1次，每次研读2-3篇论文的形式进行，以分享、讨论、复现代码为主。

==== 报名方式 ====

==== 内容列表 ====
本次读书会已经结束，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。https://campus.swarma.org/course/1740

=== 其他参考资料 ===

==== 文章总结 ====

[https://mp.weixin.qq.com/s/O9Q81ebX7DKEUIhvc7r5kQ 超越简单规则——用图神经网络对复杂系统进行自动建模]

==== 相关路径 ====
* [https://pattern.swarma.org/path?id=20 复杂系统自动建模必读论文列表]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
* [https://pattern.swarma.org/path?id=28 复杂网络动力学系统重构文献]，这个路径是张江老师梳理了网络动力学重构问题，描述了动力学建模的常用方法和模型，并介绍了一些经典且重要的论文，这也是复杂系统自动建模读书会的主要论文来源，所以大部分都有解读视频。
* [https://pattern.swarma.org/path?id=28 应用于复杂系统建模的深度学习技术小综述]，这个路径是张江老师对复杂系统自动建模的一个小综述，主要介绍了复杂系统自动建模的四个阶段，并介绍了一些经典且重要的论文。
* [https://pattern.swarma.org/path?id=85 基于图网络和深度学习的复杂系统自动建模技术]，本篇路径则重点放在综述用神经网络、深度学习方法实现的各种方法和文献。我们将按照动力学学习、网络结构学习及其它这三个方面来综述。

集智俱乐部读书会

2021-05-06T02:40:19Z

陶如意：

{{#seo:
|keywords=因果科学,复杂经济学,生命复杂性,网络科学
|description=因果科学,复杂经济学,生命复杂性,网络科学
}}

集智俱乐部读书会是面向广大科研工作者的系列论文研读活动，其目的是共同深入学习探讨某个科学议题，了解前沿进展，激发科研灵感，促进科研合作，降低科研门槛。

读书会活动始于 2008 年，至今已经有 40 余个主题，内容涵盖复杂系统、人工智能、脑与意识、生命科学、因果科学、计算社会科学等。凝聚了众多优秀科研工作者，促进了科研合作发表论文，孵化了许多科研产品。如 2013 年的“深度学习”读书会孕育了彩云天气 APP，2015 年的“集体注意力流”读书会产生了众包书籍《走近2050》等。

集智俱乐部从2020年开始举办线上读书会，目前已有因果科学、生命复杂性、图神经网络、复杂系统自动建模、科学学、复杂经济学等主题的读书会，沉淀了非常多的主题和讨论，具体可看以下列表。

{| class="wikitable"
|+ 集智俱乐部2020-2021年读书会排期表
|-
! 读书会主题!! 核心发起人 !! 运营负责人 !! 报名途径 !! 持续期数 !! 当前状态 !! 固定时间
|-
| [https://mp.weixin.qq.com/s/_wUeYz3wlfZqG8_W9_X3QQ 因果科学读书会第二季] || 李奉治等 || 王婷 || https://campus.swarma.org/form/activity/27 || 11 || 进行中 || 周日上午10：00-12：00
|-
| [https://mp.weixin.qq.com/s/-HMX_8RwDcf4xQUdYq19kQ 复杂经济学读书会] || 李红刚等||王朝会 ||https://campus.swarma.org/form/activity/24 || 16 || 进行中|| 周二晚上8：00-10：00
|-
| [https://pattern.swarma.org/path?id=125 企业发展建模与预测读书会] || 张江等 || 陶如意 || https://campus.swarma.org/form/activity/31
|| 10 || 进行中 || 每周一晚上20:00--22:00
|-
| [https://pattern.swarma.org/path?id=125 社会计算读书会] ||王硕等 || 王建男|| https://campus.swarma.org/form/activity/32 || 10 || 即将开启 || 5月27日起，每周四晚上8：00-10：00
|-
|[https://mp.weixin.qq.com/s/oUlksh3GCEGxzkS5XPXuxw 生命复杂性系列读书会] || 傅渥成等 ||刘培源 || https://campus.swarma.org/form/activity/16 ||12 || 已结束 ||周四晚上8：00-10：00
|-
| [https://mp.weixin.qq.com/s/dSBpO_MBcksNcMIM6J9oMw 因果科学与Causal AI读书会] || 龚鹤扬等 || 王婷||https://campus.swarma.org/form/activity/12||14 || 已结束 ||周日晚上8：00-10：00
|-
| [https://mp.weixin.qq.com/s/cqRXAIOynrbpjY8a3idAew 面向复杂系统的人工智能研究读书会] || 张江 ||张章 || https://campus.swarma.org/form/activity/8 ||9 ||已结束 ||周日晚上8：00-10：00
|-
| [https://mp.weixin.qq.com/s/e1M-GX91sQ8w7K0ivjI3SA 科学学读书会] || 胡乔 || 胡乔|| https://campus.swarma.org/form/activity/7 ||6 || 已结束 || 周三晚上8：00-10：00
|-
| [https://mp.weixin.qq.com/s/yL2LmgkURpMhnZJjx1fkVA 复杂系统自动建模读书会] ||张江 ||王婷 ||https://campus.swarma.org/form/activity/3 ||12 ||已结束 || 周日晚上8：00-10：00
|-

| 复杂管理学读书会||待定 || 待定 || || || 待开始 ||
|-

| 城市复杂性读书会|| 待定 || 王婷 || || ||待开始 ||
|-
|}

== [https://mp.weixin.qq.com/s/_wUeYz3wlfZqG8_W9_X3QQ 因果科学读书会第二季] ==

为了进一步帮助整个社群的参与者拥有将因果推理的方法真正的应用到自己相关的研究中的能力，从基础知识及基本技能建立因果科学的计算框架，掌握举一反三，发现真正的问题并解决问题的能力；我们启动了因果科学社区的第二季读书会。

=== 基本介绍 ===

哥伦比亚大学 CausalAI 实验室主任 Elias Bareinboim 在其 ACM 邀请文章中提到：“如果我们希望下一代人工智能系统是安全的，稳健的，与人类兼容的，提升人类社会福祉的，那么把因果之梯和人类经验连接起来是至关重要的步骤”。回顾人类从亚里士多德开始的 2000 多年的因果研究历程，探求事物之间的因果关系是哲学、自然科学和社会科学等众多研究所追求的终极目标。那么如何让 AI 系统超越曲线拟合，攀登因果之梯思考为什么，并使用因果建模回答因果问题？是本次读书会希望解决的问题。

读书会期间将会精读两本因果科学方向最广泛认可入门教材（具体内容见下方阅读材料），我们不仅将共同完成书籍中的思考题，同时还独创性地加入编程实践内容，让大家可以亲手体验因果科学的美丽。
新的读书会将着重介绍如何计算干预分布，如何从观察和干预数据中推断因果模型，以及因果思想如何产生用于经典机器学习问题。非常适合有机器学习背景，希望深入学习研究因果科学的基础知识和重要模型方法，寻求解决相关研究问题的朋友参加。

==== 参与方式 ====

[[File:因果科学读书会报名.png|400px]]

第一步：扫码填写报名信息。

第二步：信息填写之后，进入付款流程，提交保证金299元。（符合退费条件后可退费。）

第三步：添加负责人微信，拉入对应的读书会讨论群。

我们也会对每次分享的内容进行录制，剪辑后发布在集智学园的官网上，供读书会成员回看。

=== 内容列表 ===

本次读书会正在进行中，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容:[https://campus.swarma.org/course/2460 因果科学第二季回放地址]
[[File:因果科学第二期报名.png|1300px |[https://campus.swarma.org/course/2460 因果科学第二季回放地址] ]]

=== 其他参考资料 ===

==== 文章总结 ====

[https://mp.weixin.qq.com/s/mOdTI0gR9rsRyX4fz3mYNA 因果科学入门读什么书？Y. Bengio博士候选人的研读路径推荐]

[https://mp.weixin.qq.com/s/TtYsTyyGEX7U1ZOSl-lsPw 前沿综述：因果推断与因果性学习研究进展]

[https://mp.weixin.qq.com/s/W6PIE211TavEgg_s3adDdg 因果表征学习最新综述：连接因果科学和机器学习的桥梁]

[https://mp.weixin.qq.com/s/pRgLZFJpbgmAyI7LgOnHug 历时3个月，全球32位讲者，共同讲述因果科学与Causal AI的全景框架！]

[https://mp.weixin.qq.com/s/f-rI5W6tc6qOzthbzK4oAw 崔鹏：稳定学习——挖掘因果推理和机器学习的共同基础]

[https://mp.weixin.qq.com/s/l-05jRYabGI-JoXedU-PLA 因果科学：连接统计学、机器学习与自动推理的新兴交叉领域]

[https://mp.weixin.qq.com/s/ZOUeF_HEFneYVi2BPe8LFg 因果观念新革命？万字长文，解读复杂系统背后的暗因果]

[https://mp.weixin.qq.com/s/dVxgHcQAz_VjT-HDa2fXgg 周晓华：因果推断的数学基础和在医学中的应用]

==== 相关路径 ====
* [https://pattern.swarma.org/path?id=99 因果科学与Casual AI读书会必读参考文献列表]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
* [https://pattern.swarma.org/path?id=9 因果推断方法概述],这个路径对因果在哲学方面的探讨，以及因果在机器学习方面应用的分析。
* [https://pattern.swarma.org/path?id=90 因果科学和 Causal AI入门路径]，这条路径解释了因果科学是什么以及它的发展脉络。此路径将分为三个部分进行展开，第一部分是因果科学的基本定义及其哲学基础，第二部分是统计领域中的因果推断，第三个部分是机器学习中的因果（Causal AI）。
* [https://pattern.swarma.org/path?id=28 复杂网络动力学系统重构文献]，这个路径是张江老师梳理了网络动力学重构问题，描述了动力学建模的常用方法和模型，并介绍了一些经典且重要的论文，这也是复杂系统自动建模读书会的主要论文来源，所以大部分都有解读视频。
* [https://pattern.swarma.org/path?id=114 因果纠缠集智年会——因果推荐系统分论坛]关于因果推荐系统的参考文献和主要嘉宾介绍，来源是集智俱乐部的因果纠缠年会。

== [https://mp.weixin.qq.com/s/-HMX_8RwDcf4xQUdYq19kQ 复杂经济学读书会] ==

为了更好地普及复杂经济学思想，促进复杂经济学教育，推进复杂经济学研究，集智俱乐部特筹备复杂经济学的主题读书会。读书会由北京师范大学李红刚教授发起，获得王有贵、周涛、吕琳媛、张江、陈清华、李睿琪六位老师的内容支持。

=== 基本介绍 ===

传统的主流经济学基于理性人假设，寻求静态的均衡结果。而复杂经济学是一门超越了均衡范式的经济学，它认为经济不是机械的、确定的、可预测的，而是有机的、不确定的、永远在演化进程中。

复杂经济学以一种不同的方式来思考经济，将经济视作不断进行自我“计算”、自我创建和自我更新的处于动态过程中的演化系统。它强调偶然性、意义构建和“一切变化皆有可能”，是一门以预测、反应、创新和替代为基础的“动词”意义上的学科。

复杂经济学以非均衡为基本前提（均衡是其特例），用更具一般性的方法来研究经济，它不仅是对传统经济学的补充和拓展，更可能稳步走向未来经济学的中心。

目前的复杂经济学研究一般基于复杂系统思维，使用多主体建模、复杂网络、统计物理和其它学科、以及大数据分析等思想方法工具，去研究一些传统经济学有意忽视或难以处理的社会经济问题。

==== 参与方式 ====

[[File:复杂经济学读书会.png|400px]]

第一步：扫码填写报名信息。

第二步：信息填写之后，进入付款流程，提交保证金299元。（符合退费条件后可退费。）

第三步：添加负责人微信，拉入对应的读书会讨论群。

我们也会对每次分享的内容进行录制，剪辑后发布在集智学园的官网上，供读书会成员回看。

=== 内容列表 ===
本次读书会正在进行中，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。[https://campus.swarma.org/course/2294 复杂经济学回放地址点击跳转]
[[File:复杂经济学读书会2_compressed.jpg|1300px| [https://campus.swarma.org/course/2294 复杂经济学回放地址点击跳转]]]

=== 其他参考资料 ===

==== 文章总结 ====

[https://mp.weixin.qq.com/s/sAcfkZXlKuE1Y0ooU6JePg César Hidalgo：收益递增的复杂性]

[https://mp.weixin.qq.com/s/_C7v1-lx_BpRSJb1Bv775w 布莱恩·阿瑟：数字经济是增长新引擎，还是潘多拉魔盒？]

[https://mp.weixin.qq.com/s/3yj4LN3IV0UNkXHcQDyLzQ 为什么大脑都是吝啬鬼——大脑网络组织中的经济学]

==== 相关路径 ====

[https://pattern.swarma.org/path?id=109 复杂经济学读书会论文清单]

== [https://mp.weixin.qq.com/s/oUlksh3GCEGxzkS5XPXuxw 复杂系统自动建模——企业建模与发展预测读书会] ==

复杂系统自动建模是通过数据驱动，使用机器学习或其他算法，去找到复杂系统的相互作用的关系以及动力学法则，从而对整个系统进行建模的技术。

此前，我们已经展开了两季复杂系统自动建模主题的读书会。

在第一季读书会中，我们以“助力科研”为核心目的，汇集了一批对复杂系统自动建模感兴趣，以及正在进行相关研究的朋友，通过阅读和讨论一系列前沿和经典文献，对复杂系统进行结构和动力学重构领域进行了深度的讨论和交流。

而在第二季“面向复杂系统人工智能研究”的读书会中，我们着重关注用复杂系统的理论和方法更好地理解人工智能，探讨了基于深度学习的复杂系统自动建模技术，以及基于可解释性的因果推断方法论。并且在此基础上，集智俱乐部涌现出了“因果科学社区”，“因果读书会”第二季也正如火如荼地进行中。

=== 基本介绍 ===

本次读书会是复杂系统自动建模系列读书会第三季。

实证数据表明，一些大企业创造的财富总量往往比一些国家还要多。例如，2019年，苹果公司的总资产为3385亿美元，超过了全球第38大经济体新加坡的国内生产总值(GDP) ；中国最大的互联网企业之一阿里集团的总资产为1438亿美元，几乎和乌克兰的 GDP相等。另一方面，企业是当代经济的基本单位，也是人类与经济环境互动的主要载体。因此，理解企业的演化规律，与理解经济、国家、城市的演化一样，都是我们认识社会系统的重要手段。

而企业是一个典型的复杂系统。企业内部，企业与企业之间都存在着相互作用关系，并且这种相互作用又会推动企业系统的演化。《规模》这本书介绍了企业和生命体一样，存在生长、新陈代谢，以及死亡的机制，探索了不同类型的系统背后存在的统一规律，将网络和规模缩放范式应用于公司的动力学、生长和结构上来，推动了用复杂科学的视角对企业系统的进一步讨论。

我们这次主要内容聚焦于复杂系统自动建模技术在企业研究领域的应用，包括企业破产预测，企业财务属性预测，企业网络研究，企业建模等等。目的在于进一步深入探索复杂科学理论和方法在实证研究中的应用，进一步揭示真实世界的运作模式。

我们也邀请了来自管理科学的老师和同学，对企业研究领域当前关注的问题和方法进行分享，以期实现机器学习、管理科学、网络科学等多学科的碰撞。

==== 报名方式 ====

[[文件:报名表.png|400px]]
第一步：扫码填写报名信息。
第二步：信息填写之后，会弹出对应的课程购买信息，提交保证金399元。（购课相当于提交保证金，符合退费条件后可退费）。
第三步：添加负责人微信，拉入对应的读书会讨论群（需遵守群规）。

我们也会对每次分享的内容进行录制，剪辑后发布在集智学园官网，读书会付费报名成员和集智VIP成员（详情见文末）可以观看录播。

=== 内容列表 ===

本次读书会正在进行中，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。[https://campus.swarma.org/course/2570 企业读书会回放地址点击跳转]

=== 其他参考资料 ===

==== 前两季视频回放 ====

[https://campus.swarma.org/course/1740 复杂系统自动建模第一期的内容回放]
[https://campus.swarma.org/course/1775 复杂系统自动建模第二期的内容回放]

==== 相关文章资料 ====
[企业规模法则：数学模型如何破解公司组织层级难题]
为什么公司有衰老死亡，而城市却长生不老？
如何用网络科学预测创业公司未来成败？
PNAS刊文揭秘三千万员工大数据：初创公司要想生存，就应该这样招人
超越简单规则——用图神经网络对复杂系统进行自动建模

==== 相关路径 ====
基于图网络和深度学习的复杂系统自动建模技术
路径 - 应用于复杂系统建模的深度学习技术小综述
路径 - 复杂网络动力学系统重构文献
路径 - 复杂系统自动建模必读论文列表

== [https://mp.weixin.qq.com/s/oUlksh3GCEGxzkS5XPXuxw 生命复杂性系列读书会] ==

生命作为最典型的复杂系统，从细胞到个体再到群体，在不同层次上都展现出各种复杂性，引发不同学科研究者的兴趣。为了促进生命复杂系统的跨学科交流，我们策划“生命复杂性”系列读书会，组织精读和讨论相关研究。

=== 基本介绍 ===

在物理学家薛定谔的《生命是什么》中，生命以负熵为食，能够新陈代谢和自我复制。

* 在自创生理论看来，生命就是一个复杂的化学网络，每时每刻都在不断地生成自己，仅仅是化学过程。
*
* 从计算的视角，生命就是一台图灵机。碱基配的过程与图灵二进制的工作原理如出一辙。
*
* 而从信息的视角，生命主体是能将自身信息从过去传播到未来、并保持一定时间完整性度量的集合体。

对“生命是什么”的定义，流派众多。在本次读书会中，我们尝试跳出生物学的桎梏，从物理和信息的角度，理解生命是什么，个体与环境的边界是什么。

==== 报名方式 ====
[[File:生命复杂性读书会报名表.png|400px]]

第一步：扫码填写报名信息。
第二步：信息填写之后，会弹出对应的课程购买信息，提交保证金399元。（购课相当于提交保证金，符合退费条件后可退费）。
第三步：添加负责人微信，拉入对应的读书会讨论群（需遵守群规）。

我们也会对每次分享的内容进行录制，剪辑后发布在集智学园官网，读书会付费报名成员和集智VIP成员（详情见文末）可以观看录播。

=== 内容列表 ===

本次读书会已经结束，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。
本次读书会正在进行中，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。[https://campus.swarma.org/course/2005 生命复杂性读书会回放地址点击跳转]

[[File: 生命复杂性读书会.jpg |1300px| [https://campus.swarma.org/course/2005 生命复杂性读书会回放地址点击跳转]]]

=== 其他参考资料 ===

==== 文章总结 ====

[https://mp.weixin.qq.com/s/zUlrRQNZg2nY2k535mj1wQ 生命是什么？圣塔菲研究所提出“个体信息理论”，重新定义个体生命]

[https://mp.weixin.qq.com/s/xe54zCUPKQAf6wfx666hxQ 生命起源百年探索：进化论、信息论、热力学谁是主角？]

[https://mp.weixin.qq.com/s/YqvLBfnkkXq4T33j3AhqAg 生命起源研究的新里程碑：Science刊文揭示前生命化学自催化网络]

[https://mp.weixin.qq.com/s/qH_6-4smLQdHkh8YpfEvMw 为什么蛋白质兼具可塑性与稳定性？从进化视角揭示生命复杂系统的内在平衡]

==== 相关路径 ====
* [https://pattern.swarma.org/path?id=105 「生命—信息—物理」生命复杂性读书会论文清单（更新中）]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。

== [https://mp.weixin.qq.com/s/dSBpO_MBcksNcMIM6J9oMw 因果科学与Causal AI读书会] ==

本次读书会的目的是希望可以出版一本关于因果推理相关的书籍，我们希望可以通过闭门分享讨论的形式，为大家提供更加沉浸，深度，自由的交流环境，共同掌握因果推理的基础知识，前沿探究，和业界应用，同时将读书会的产出以科普书籍的方式出版。

=== 基本介绍 ===

Judea Pearl 认为当下正在进行一场改变数据科学的新革命 — ”因果革命“。因果革命和以数据为中心的第一次数据科学革命，也就是大数据革命（涉及机器学习，深度学习及其应用，例如Alpha-Go、语音识别、机器翻译、自动驾驶等等）的不同之处在于，它以科学为中心，涉及从数据到政策、可解释性、机制的泛化，再到一些社会科学中的归因和公平性问题，甚至哲学中的创造性和自由意志。可以说，因果革命彻底改变了科学家处理因果问题的方式，形成了一门新学科—因果科学。

前的大多数 AI 系统只是曲线拟合，他们面临许多开放性难题本质上与因果相关，而其中的三个最主要困难 (1) 稳健性/适应性， (2) 可解释性，和 (3) 不能理解因果关系，而这些问题可以用现代因果建模解决。因果推理和机器学习融合，构建具备果推理能力的 Causal AI 系统，是实现强人工智能的关键步骤。

==== 报名方式 ====

[[File:因果科学与causal AI读书会第一期.png|400px]]

第一步：扫码填写报名信息。

第二步：信息填写之后，进入付款流程，提交保证金299元。（符合退费条件后可退费。）

第三步：添加负责人微信，拉入对应的读书会讨论群。

=== 内容列表 ===
本次读书会已经结束，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。[https://campus.swarma.org/course/1798 因果科学读书会回放地址点击跳转]

[[File: 因果科学与Causal AI读书会-1.png |1300px| [https://campus.swarma.org/course/1798 因果科学读书会回放地址点击跳转]]]

=== 其他参考资料 ===

==== 文章总结 ====

[https://mp.weixin.qq.com/s/pRgLZFJpbgmAyI7LgOnHug 历时3个月，全球32位讲者，共同讲述因果科学与Causal AI的全景框架！]

[https://mp.weixin.qq.com/s/f-rI5W6tc6qOzthbzK4oAw 崔鹏：稳定学习——挖掘因果推理和机器学习的共同基础]

[https://mp.weixin.qq.com/s/l-05jRYabGI-JoXedU-PLA 因果科学：连接统计学、机器学习与自动推理的新兴交叉领域]

[https://mp.weixin.qq.com/s/ZOUeF_HEFneYVi2BPe8LFg 因果观念新革命？万字长文，解读复杂系统背后的暗因果]

[https://mp.weixin.qq.com/s/dVxgHcQAz_VjT-HDa2fXgg 周晓华：因果推断的数学基础和在医学中的应用]

==== 相关路径 ====
* [https://pattern.swarma.org/path?id=99 因果科学与Casual AI读书会必读参考文献列表]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
* [https://pattern.swarma.org/path?id=9 因果推断方法概述],这个路径对因果在哲学方面的探讨，以及因果在机器学习方面应用的分析。
* [https://pattern.swarma.org/path?id=90 因果科学和 Causal AI入门路径]，这条路径解释了因果科学是什么以及它的发展脉络。此路径将分为三个部分进行展开，第一部分是因果科学的基本定义及其哲学基础，第二部分是统计领域中的因果推断，第三个部分是机器学习中的因果（Causal AI）。
* [https://pattern.swarma.org/path?id=28 复杂网络动力学系统重构文献]，这个路径是张江老师梳理了网络动力学重构问题，描述了动力学建模的常用方法和模型，并介绍了一些经典且重要的论文，这也是复杂系统自动建模读书会的主要论文来源，所以大部分都有解读视频。
* [https://pattern.swarma.org/path?id=114 因果纠缠集智年会——因果推荐系统分论坛]关于因果推荐系统的参考文献和主要嘉宾介绍，来源是集智俱乐部的因果纠缠年会。

== [https://mp.weixin.qq.com/s/cqRXAIOynrbpjY8a3idAew 面向复杂系统的人工智能读书会] ==

本次读书会的目的是通过闭门分享讨论的形式，我们将为大家提供更加沉浸，深度，自由的交流环境。帮助大家了解面向复杂系统的人工智能研究和前沿进展，了解深度学习，因果推断等方法论如何与复杂系统研究相互影响。为大家在自己的研究领域引入何种人工智能方法提供灵感。

此外，本次读书会还将邀请数名进行过高质量分享的青年学者参与我们后续的闭门研讨活动：“集智-凯风研读营”。研读营是集智年度最高水准的闭门科学研讨活动，是集智科学家们的年度聚会。在研读营期间，你将与多位来自不同领域，世界各个高校的集智科学家们进行为期一周的广泛而深刻的闭门交流，共享前沿知识和灵感。历届研读营都是集智科学家相互赋能的平台，每次研读营之后，集智科学家们都会带着新的灵感进一步推进自己的研究。

=== 基本介绍 ===

近 3 年来，随着数据量的井喷式增长，计算效率的显著提升，以深度学习为代表的人工智能技术迎来了第三次高潮，许多人工智能的产品应用在生活的方方面面，如人脸识别，机器翻译，语音识别等。但是进一步，人们希望机器可以辅助决策时却发现，以人类的视角没有办法很好的理解机器的决策，这时候就存在人与机器的「信任鸿沟」。我们不敢真正信任机器的决策，这也是人工智能在落地智能金融，无人驾驶等更复杂领域时遇到的问题和瓶颈。

所以为了更好利用机器的智能，理解复杂世界，人们开始寻求新的解释世界的方式：希望可以从「复杂系统」的角度进行突破，借助人工智能的方法和技术，揭开人工智能的黑箱，实现人与机器的真正信任。

集智俱乐部一直以来都是国内研究复杂科学的前沿阵地，我们希望可以发动社区内相关领域的研究者，一起来共同学习和探索，结合复杂系统的理论和方法，来更好的理解人工智能。所以我们发起了「面向复杂系统的人工智能研究」读书会。本次读书会将会围绕下面二个子主题，分别是：
基于深度学习的复杂系统自动建模
基于可解释性的因果推断方法论

==== 报名方式 ====

* 第一步：扫码填写报名信息。
* 第二步：信息填写之后，会弹出对应的负责人微信二维码，截图扫码添加二维码即可。
* 第三步：添加负责人微信号，提交保证金399元。
* 第四步：拉入对应的读书会讨论群。
* 第五步：想进一步继续参与研读营的朋友，发送简历或个人网站，research gate主页等能说明身份的资料给到负责人，在读书会结束之后，将公布研读营入选名单。

==== 内容列表 ====
本次读书会已经结束，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。https://campus.swarma.org/course/1775

=== 其他参考资料 ===

==== 文章总结 ====

[https://mp.weixin.qq.com/s/O9Q81ebX7DKEUIhvc7r5kQ 超越简单规则——用图神经网络对复杂系统进行自动建模]

==== 相关路径 ====
* [https://pattern.swarma.org/path?id=79 面向复杂系统的人工智能读书会论文列表]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
* [https://pattern.swarma.org/path?id=9 因果推断方法概述],这个路径对因果在哲学方面的探讨，以及因果在机器学习方面应用的分析。
* [https://pattern.swarma.org/path?id=9 因果推断方法概述],这个路径对因果在哲学方面的探讨，以及因果在机器学习方面应用的分析。
* [https://pattern.swarma.org/path?id=90 因果科学和 Causal AI入门路径]，这条路径解释了因果科学是什么以及它的发展脉络。此路径将分为三个部分进行展开，第一部分是因果科学的基本定义及其哲学基础，第二部分是统计领域中的因果推断，第三个部分是机器学习中的因果（Causal AI）。
* [https://pattern.swarma.org/path?id=28 复杂网络动力学系统重构文献]，这个路径是张江老师梳理了网络动力学重构问题，描述了动力学建模的常用方法和模型，并介绍了一些经典且重要的论文，这也是复杂系统自动建模读书会的主要论文来源，所以大部分都有解读视频。
* [https://pattern.swarma.org/path?id=28 应用于复杂系统建模的深度学习技术小综述]，这个路径是张江老师对复杂系统自动建模的一个小综述，主要介绍了复杂系统自动建模的四个阶段，并介绍了一些经典且重要的论文。
* [https://pattern.swarma.org/path?id=85 基于图网络和深度学习的复杂系统自动建模技术]，本篇路径则重点放在综述用神经网络、深度学习方法实现的各种方法和文献。我们将按照动力学学习、网络结构学习及其它这三个方面来综述。

== [https://mp.weixin.qq.com/s/e1M-GX91sQ8w7K0ivjI3SA 科学学读书会] ==

科学是研究实践、是理性精神，也是一个由学者、文献、科研项目、科学思想与灵感等一起构成的自组织、自生长的复杂系统。科学学则是一门学科，旨在深入理解科学研究的种种因素并推动科学发展。

=== 基本介绍 ===

科学是一个由学者、文献、科研项目、科学思想与灵感等一起构成的自组织、自生长的复杂系统。与人类社会的其他复杂系统相比，科学通过自我革新精神实现了更大跨度的发展（科学革命），又通过文献传承更好的记录了自身的发展历史。

科学复杂系统中的事件对世界有广泛而深刻的影响：
* 创新是如何发生的
* 科学思想与知识是如何传播的
* 各学科发展的趋势是什么
* 跨学科研究何以不断涌现
* 团队规模如何影响科研成果
* 科学家的职业生涯与成就有无规律可循
* ...

这些都是科学学研究的问题。通过研究和回答这些问题，我们能够以科学的视角认知科学、理解科学，进而也促进科学事业的发展。

==== 报名方式 ====

==== 内容列表 ====
本次读书会已经结束，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。https://campus.swarma.org/course/2014

=== 其他参考资料 ===

==== 文章总结 ====

[https://mp.weixin.qq.com/s/_Ye_9_88VAoCJQqro-OB-g Science经典综述文章：什么是科学学]

==== 相关路径 ====
* [https://pattern.swarma.org/path?id=70 复杂系统下的科学学]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
* [https://pattern.swarma.org/path?id=12 计算社会科学入门路径]，这个路径是梳理了计算社会科学的历史和研究方法，并列举了一些重要且经典的论文。

== [https://mp.weixin.qq.com/s/yL2LmgkURpMhnZJjx1fkVA 复杂系统自动建模读书会] ==

复杂系统广阔而神秘，地球上的生物、气候、人脑、社会和经济的组织、一个生态系统、一个活细胞、甚至整个宇宙都属于复杂系统。本文旨在召集对复杂系统建模感兴趣或正在进行相关研究的朋友参与到此次读书会中，通过阅读经典文章，大家集思广益，激发科研想法，促进科研合作。

=== 基本介绍 ===

复杂系统是对生物，社会，金融，气候等不同领域内大量现象进行建模的重要手段。复杂系统的一大特征是，在系统内存在着大量个体，他们之间会发生相互作用。在现实生活中，尤其是在当今的大数据时代，我们通常面临的问题就是我们拥有大量对系统进行观察的数据，如个体个体的时间演变状态，个体的信息，而无法直接观察到个体之间的网络连接结构，也不知道个体之间的动力学演化规则。复杂网路自动建模问题关注的即是通过数据驱动，通过机器学习或其他算法去找到他们相互作用的关系以及动力学法则，从而对整个复杂系统进行建模。

本次读书会的核心目的是「助力科研」，旨在汇集一批对复杂系统自动建模感兴趣或者正在进行相关研究的朋友，通过阅读和讨论一系列前沿或者经典的对复杂系统进行结构和动力学重构的文章，进行深度讨论和交流，从而激发科研想法，促进读书会成员内部的科研的合作，产出和落地，并产生学术价值。

这是一个长期的读书会活动，读书会预计持续时间为半年，每2周会有人选择网络重构文献待续列表中论文（会持续增加新的经典和前沿论文），制作论文解读的 ppt 文件，在 zoom 会议软件上按照每2周1次，每次研读2-3篇论文的形式进行，以分享、讨论、复现代码为主。

==== 报名方式 ====

==== 内容列表 ====
本次读书会已经结束，内容沉淀在了集智学园的平台上，往期回放解读可以看相关的内容。https://campus.swarma.org/course/1740

=== 其他参考资料 ===

==== 文章总结 ====

[https://mp.weixin.qq.com/s/O9Q81ebX7DKEUIhvc7r5kQ 超越简单规则——用图神经网络对复杂系统进行自动建模]

==== 相关路径 ====
* [https://pattern.swarma.org/path?id=20 复杂系统自动建模必读论文列表]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
* [https://pattern.swarma.org/path?id=28 复杂网络动力学系统重构文献]，这个路径是张江老师梳理了网络动力学重构问题，描述了动力学建模的常用方法和模型，并介绍了一些经典且重要的论文，这也是复杂系统自动建模读书会的主要论文来源，所以大部分都有解读视频。
* [https://pattern.swarma.org/path?id=28 应用于复杂系统建模的深度学习技术小综述]，这个路径是张江老师对复杂系统自动建模的一个小综述，主要介绍了复杂系统自动建模的四个阶段，并介绍了一些经典且重要的论文。
* [https://pattern.swarma.org/path?id=85 基于图网络和深度学习的复杂系统自动建模技术]，本篇路径则重点放在综述用神经网络、深度学习方法实现的各种方法和文献。我们将按照动力学学习、网络结构学习及其它这三个方面来综述。

文件:报名表.png

2021-05-06T02:35:20Z

陶如意：

报名方式