报告人:张坤
报告地点:腾讯会议ID: 342122607
报告时间:2024年11月05日星期二09:00-10:00
报告摘要:
因果关系是科学、工程,甚至机器学习中的一个基本概念。揭示观测数据背后的因果过程可以帮助回答“为什么”和“如何”的问题,并提供决策优化的依据,以及实现自适应预测。在许多情况下,观测到的变量(如图像像素和问卷结果)通常是隐藏因果变量的反映,而非因果变量本身。因果表示学习旨在揭示潜在的隐藏因果变量及其关系。因果系统的模块化特性意味着因果表示的最小变化和独立变化属性。在本次报告中,我们展示了如何利用这些属性从观测数据中恢复具有可识别性的隐藏因果表示:在适当的假设下,学习到的表示与潜在的因果过程是一致的。我们考虑了多种问题设置,包括独立同分布(i.i.d.)数据、时间序列数据或具有分布变化的数据作为输入的情形。我们展示了在何种情况下可识别的因果表示学习可以从灵活的深度学习中获益,以及何时必须对因果过程施加适当的参数模型假设,并通过各种示例和应用进行补充说明。
主讲人简介:
张坤是卡内基梅隆大学哲学系副教授和机器学习系的兼职教授;同时,他也是阿联酋穆罕默德·本·扎耶德人工智能大学(MBZUAI)的访问教授、机器学习系执行系主任以及综合人工智能中心的主任。他的研究专注于通过多种数据揭示因果关系,并从因果角度研究机器学习中的问题,包括迁移学习、表示学习和强化学习。张坤长期担任机器学习和人工智能领域主要会议的高级领域主席、领域主席或高级程序委员会成员,这些会议包括UAI、NeurIPS、ICML、IJCAI、AISTATS和ICLR。他是第一届因果学习与推理会议(CLeaR 2022)的联合创始人、主席及程序联合主席,第38届人工智能不确定性会议(UAI 2022)的程序联合主席,担任UAI 2023的大会联合主席,以及ICDM 2024的程序联合主席。