159
个编辑
更改
跳到导航
跳到搜索
第276行：
第276行： − + 第534行：
第534行： − == 因果涌现读书会 ==+ + + + + + + 第561行：
第567行： − + 第618行：
第624行： − + 第799行：
第805行： + + + + + + + + +
→【因果涌现读书会第二季】（进行中）
等21篇论文。
等21篇论文。
==== 第二季（进行中） ====
==== 第二季 ====
本读书会从复杂经济学的内涵、基本方法、普适规律、应用场景四部分出发，来与读书会成员进行分享与讨论。并组织 3 次圆桌讨论，围绕复杂经济学的界定与内涵、复杂经济学的方法论及典型应用、复杂经济学何去何从等主题展开。欢迎国内外研究者加入读书会，共同探讨！
本读书会从复杂经济学的内涵、基本方法、普适规律、应用场景四部分出发，来与读书会成员进行分享与讨论。并组织 3 次圆桌讨论，围绕复杂经济学的界定与内涵、复杂经济学的方法论及典型应用、复杂经济学何去何从等主题展开。欢迎国内外研究者加入读书会，共同探讨！
[[文件:复杂经济学第二季安排.png|居中|缩略图|复杂经济学第二季安排]]
[[文件:复杂经济学第二季安排.png|居中|缩略图|复杂经济学第二季安排]]
* [https://pattern.swarma.org/article/90 因果科学和 Causal AI入门路径]
* [https://pattern.swarma.org/article/90 因果科学和 Causal AI入门路径]
[https://pattern.swarma.org/study_group/22 【第四季：因果科学与Causal +X领域概览】]
本次读书会围绕更好的梳理因果表征学习的相关问题出发，从因果表征学习的理论基础、技术框架，到因果表征学习最新的前沿应用，包括但不限于因果生成模型、因果可解释性、因果公平性等问题，以及因果在工业界中的具体的落地中去深度探讨，更好的梳理因果表征学习这个领域并促进相关的研究。
分享主题：
[[文件:因果科学读书会第四季.png|居中|缩略图]]
==== [https://pattern.swarma.org/study_group/7 【因果涌现读书会第一季】]====
==== [https://pattern.swarma.org/study_group/7 【因果涌现读书会第一季】]====
查看更多回放视频，请前往集智学园[https://campus.swarma.org/course/3106 因果涌现读书会第一季]
查看更多回放视频，请前往集智学园[https://campus.swarma.org/course/3106 因果涌现读书会第一季]
==== [https://pattern.swarma.org/study_group/16 【因果涌现读书会第二季】]（进行中）====
==== [https://pattern.swarma.org/study_group/16 【因果涌现读书会第二季】]====
通过阅读前沿文献，加深我们对因果、涌现等概念的理解；聚焦于寻找因果与涌现、多尺度等概念相结合的研究方向；并探索复杂系统多尺度自动建模的研究方向。
通过阅读前沿文献，加深我们对因果、涌现等概念的理解；聚焦于寻找因果与涌现、多尺度等概念相结合的研究方向；并探索复杂系统多尺度自动建模的研究方向。
查看更多回放视频，请前往集智学园[https://campus.swarma.org/course/2709 社会计算读书会第一季]
查看更多回放视频，请前往集智学园[https://campus.swarma.org/course/2709 社会计算读书会第一季]
==== [https://pattern.swarma.org/study_group/19 【社会计算读书会第二季】]（进行中） ====
==== [https://pattern.swarma.org/study_group/19 【社会计算读书会第二季】]====
对计算社会科学中常见的分析处理问题的方法进行介绍，对主要的方法类型和如何运用这些方法研究问题进行梳理。
对计算社会科学中常见的分析处理问题的方法进行介绍，对主要的方法类型和如何运用这些方法研究问题进行梳理。
本模块将围绕社会网络、神经系统、生物网络等不同场景下高阶交互作用带来的新的概念、模型及研究方法展开介绍。阅读清单中列举了高阶交互建模在科学学和脑网络应用的相关文献，同时欢迎其他领域的学者参与分享，为大家提供新的研究视角。在案例探讨中，我们也将尝试提供相关代码示例对研究进行复现。
本模块将围绕社会网络、神经系统、生物网络等不同场景下高阶交互作用带来的新的概念、模型及研究方法展开介绍。阅读清单中列举了高阶交互建模在科学学和脑网络应用的相关文献，同时欢迎其他领域的学者参与分享，为大家提供新的研究视角。在案例探讨中，我们也将尝试提供相关代码示例对研究进行复现。
[[文件:高阶网络读书会安排.png|居中|缩略图|高阶网络读书会安排]]
[[文件:高阶网络读书会安排.png|居中|缩略图|高阶网络读书会安排]]
== [https://pattern.swarma.org/study_group/21 NeuroAI读书会] ==
本次读书会基于人类的认知层次，按照从低级到高级的顺序，依次研讨【视觉智能】、【语言智能】和【学习智能】三大模块，共同研讨领域内的前沿、经典文献，梳理领域发展。
以深度神经网络为标志的人工智能的浪潮起源于计算机视觉任务的探究，而人工智能的发展也同样反哺了视觉神经科学的发展。许多的研究发现利用深度神经网络提供了目前最好的模型来解释视觉系统不同层级对于不同刺激的反应，但也有研究指出生物视觉系统与人工智能之间存在着本质的差异，更也有批评者认为用机制尚且不清楚地深度神经网络来理解神经系统中的视觉系统，本质上就是利用一个黑箱去代替另外一个黑箱。但无论怎么说，二者之间的相互发展，相互启迪是学科交叉的一个典范。在这一模块的分享中，主要从视觉系统能否帮助我们设计出鲁棒性更高的神经网络算法和神经网络算法能否帮我们理解视觉回路两个方面去探究视觉信息的编码机制。
作为人类特有的高级认知功能，语言是我们思考和交流最重要的工具。通过语言，知识和信息能够穿越时空在人类社会延续、传递和扩展，构建能够像人一样理解和生成语言的机器可能会是实现通用人工智能最重要的里程碑。受益于深度学习的蓬勃发展，大规模自监督预训练语言模型（BERT，GPT3）为自然语言处理领域带来了革命性的进步，从过去令人啼笑皆非的机器翻译，到如今能够以假乱真的由机器生成的新闻报道，当前的语言模型（ DALL-E）甚至能够融合多模态信息，根据文字生成与之相符的图片。但是，这些在越来越多方面具备“媲美人类语言能力”的神经网络模型是否真的像人一样“理解”和“生成”语言？他们能否帮助我们理解人脑是如何加工语言，能否实现从神经活动中解码人的所思所想？在这一模块的分享中，我们将聚焦语言，探讨基于深度学习的语言模型和人脑对语言的表征与加工。
从心理学的角度看，人类智能在最大化未来的奖赏收益，最小化未来的损失这一原则下，通过与外界环境交互产生。强化学习模型（RL，Reinforcement Learning）提供了一个很好的框架去描述与解释学习、决策等人类行为。在这个模块的分享中，主要从强化学习的角度去建模人类行为，并试图探究在神经元层面对应的计算过程。进一步地，也会探讨对人类前额叶进行建模的元学习模型。
[[文件:读书会框架.jpg|替代=|居中|缩略图|高阶网络读书会安排]]