Locatello Group

Kausales Lernen und Künstliche Intelligenz

Modernes maschinelles Lernen beschränkt sich immer noch auf eine oberflächliche Beschreibung der Realität, die nur dann gültig ist, wenn die Versuchsbedingungen festgelegt sind. Es ignoriert weitgehend Eingriffe in die Welt, Bereichsverschiebungen und zeitliche Strukturen. Um diese Probleme zu lösen konzentriert sich die Locatello-Gruppe auf das Lernen kausaler Darstellungen und kausaler Modelle aus Daten. Mithilfe präziser Theorien und skalierbarer Algorithmen ermöglichen sie AI Agents, Ursache-Wirkungs-Beziehungen, die Auswirkungen von Eingriffen und Verteilungsänderungen zu verstehen, die den Daten zugrunde liegen, auf die sie stoßen.

Fortschritte im Bereich des kausalen Lernens haben vielversprechende Anwendungen im Bereich des maschinellen Lernens und der künstlichen Intelligenz, einschließlich Robustheit, Erklärbarkeit und Fairness bei Erkennungs-, Schlussfolgerungs- und Planungsaufgaben. Am wichtigsten ist jedoch, dass sie sich auf die Entdeckung neuer wissenschaftlicher Erkenntnisse aus riesigen Datenmengen auswirken und als Schnittstelle zwischen Menschen und komplexen Systemen für die Entscheidungsfindung dienen.

Kausales Lernen entsteht durch die Entdeckung von strukturellem Wissen über den datenerzeugenden Prozess und bedeutungstragende Abstraktionen, die gut definierte kausale Beziehungen ermöglichen. Die Forschungsfragen erstrecken sich auf die theoretische Identifizierbarkeit und methodische Innovationen beim kausalen Lernen, die Entdeckung von Objekten und abstrakten Entitäten, ihre Variationsfaktoren und ihre kausalen Beziehungen. Die Gruppe wendet diese Methoden an, um offene Probleme des maschinellen Lernens zu lösen und neue Anwendungen in den Wissenschaften zu ermöglichen.