標題：因果表示學習——揭示隱藏的世界
報告時間：2024年11月5日（星期二）9：00-10：00
報告地點：線上騰訊會議（會議ID：342-122-607）
主講人：張坤
主辦單位：數學與統計學院
報告內容簡介：
因果關系是科學、工程，甚至機器學習中的一個基本概念。揭示觀測數據背后的因果過程可以幫助回答“為什么”和“如何”的問題，并提供決策優化的依據，以及實現自適應預測。在許多情況下，觀測到的變量（如圖像像素和問卷結果）通常是隱藏因果變量的反映，而非因果變量本身。因果表示學習旨在揭示潛在的隱藏因果變量及其關系。因果系統的模塊化特性意味著因果表示的最小變化和獨立變化屬性。在本次報告中，我們展示了如何利用這些屬性從觀測數據中恢復具有可識別性的隱藏因果表示，在適當的假設下，學習到的表示與潛在的因果過程是一致的。我們考慮了多種問題設置，包括獨立同分布（i.i.d.）數據、時間序列數據或具有分布變化的數據作為輸入的情形。我們展示了在何種情況下可識別的因果表示學習可以從靈活的深度學習中獲益，以及何時必須對因果過程施加適當的參數模型假設，并通過各種示例和應用進行補充說明。
主講人簡介：
張坤是卡內基梅隆大學哲學系副教授和機器學習系的兼職教授；同時，他也是阿聯酋穆罕默德·本·扎耶德人工智能大學（MBZUAI）的訪問教授、機器學習系執行系主任以及綜合人工智能中心的主任。他的研究專注于通過多種數據揭示因果關系，并從因果角度研究機器學習中的問題，包括遷移學習、表示學習和強化學習。張坤長期擔任機器學習和人工智能領域主要會議的高級領域主席、領域主席或高級程序委員會成員，這些會議包括UAI、NeurIPS、ICML、IJCAI、AISTATS和ICLR。他是第一屆因果學習與推理會議（CLeaR 2022）的聯合創始人、主席及程序聯合主席，第38屆人工智能不確定性會議（UAI 2022）的程序聯合主席，擔任UAI 2023的大會聯合主席，以及ICDM 2024的程序聯合主席。
