集智俱乐部读书会

来自集智百科 - 复杂系统|人工智能|复杂科学|复杂网络|自组织
跳到导航 跳到搜索

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。






[因果科学与Causal AI读书会]

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。


To Build Truly Intelligent Machines, Teach Them Cause and Effect

— Judea Pearl

为此,我们希望可以通过因果推理的专题读书会,来梳理因果科学的核心内容,理解它如何改变数据科学,助力 AI 系统超越曲线拟合和获得回答因果问题的能力。

参与方式

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

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

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。 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。 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。 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。