会议简介

现代机器学习技术通常以统计模型的形式发现随机变量之间的统计依赖关系，并利用这些依赖关系对未来的观测结果进行预测。但是，许多实际问题都涉及因果推理，其目的是推断数据生成系统在变化的条件下如何表现。本期论坛我们邀请到了来自墨尔本大学的宫明明老师，介绍因果推理和机器学习之间的联系。

讲者介绍

宫明明 博士，墨尔本大学数学与统计学院的数据科学讲师（助理教授），同时担任墨尔本数据科学中心研究员。研究兴趣包括因果推理，机器学习和计算机视觉。在ICML, NeurIPS, UAI, CVPR, ICCV, ECCV, AAAI, IJCAI等顶级会议发表了三十多篇学术论文。还共同组织了多次研讨会/竞赛，以促进对弱监督表示学习（SDM20，ACML21）和3D计算机视觉（IJCAI21）的研究。于2020年获得了澳大利亚研究委员会的“早期职业研究者奖” ，并被选为IJCAI2020的“早期职业焦点演讲”演讲者（全球15位演讲者）。担任CCF A类会议AAAI和IJCAI的高级程序委员会成员。

会议题目

因果推理与机器学习

会议摘要

在本次分享将重点介绍因果推理和机器学习之间的联系，并探讨它们如何相互受益。一方面，机器学习为基于复杂数据的因果推理提供了强有力的工具。通过对数据产生过程的合理假设，我们能借用机器学习方法实现因果推理。另一方面，由于因果结构提供了有关分布变化特性的信息，它可以用来提升机器学习在分布变化情况下的迁移和泛化能力。

会议亮点

1、建立起因果推理与机器学习之间的桥梁，启发更多对因果与机器学习的探索。

2、通过合理假设与理论推导，将机器学习模型应用于因果推断问题。

3、通过数据的的因果性的发倔，提升机器学习的迁移与泛化能力。

会议时间

2021年1月3日（周日）20:00-21:00  线上直播

关注微信公众号：人工智能前沿讲习，对话框回复“SFFAI95”，获取入群二维码、PPT下载、推荐论文下载