师资科研

基于图的因果关系学习-yb体育官方

时间地点:2022.06.22,8:30;文理楼580

作者:责任编辑:jun审核人:22发布时间:2022-06-22


报告简介:

      具备因果关系的学习能力被认为是人类智能的重要组成部分,是人工智能的基础。在因果关系学习中,一个基本的问题是理解特定操作(例如药物处方)对重要结果(例如治愈疾病)的因果影响,这对医疗保健、教育和电子商务等关键领域具有重大意义。解决该问题的一种普遍方法是直接使用观察数据。因为在许多情况下,替代的随机实验可能是昂贵的、耗时的,甚至是不道德的。然而,现有数据驱动的方法往往受到一定限制,因为它们:(1)假设观测数据是独立同分布的(i.i.d.); (2)忽略隐藏的混杂因素的影响,即影响操作和结果的未观察到的变量。与此同时,现实世界的数据通常是连接的,可以抽象为图(例如,社交网络、生物网络和知识图)。图数据在许多有影响力的领域普遍存在,为控制隐藏混杂因素的影响并构建更有效的、无偏的因果效应估计模型提供了机会。在本次讲座中,将介绍团队最近在基于图的因果效应学习方面的研究成果。具体地,试图回答以下研究问题:如何利用观察数据中的图信息进行因果关系学习?当图持续进化时,如何利用历史信息来捕捉隐藏的混杂因素对因果关系学习的影响?

专家简介

      李骏东,美国弗吉尼亚大学电气与计算机工程系助理教授,同时在数据科学学院计算机科学系任职。他于2019年在亚利桑那州立大学获得计算机科学博士学位。主要研究兴趣是数据挖掘、机器学习、和因果推理。在国际顶级会议(kddwwwaaaiijcaiwsdmemnlpcsurtpamitkdetkddtist)发表论文100余篇,被引次数超过5000次。根据谷歌scholar metrics,他在特征选择和图表示学习方面的工作是在过去五年acm csurwsdmsdm、和cikm中被引用最多的文章之一。获得了包括nsf职业奖,摩根大通教师研究奖,思科教师研究奖等著名奖项。被选为aaai 2021新教师亮点计划,是ijcai等顶级国际会议的(高级)程序委员会委员,目前担任 acm tist 的执行编辑。


网站地图