导语


近年来,人们发现人工智能在稳定性、可解释性、公平性、可回溯性等“四性”方面存在严重缺陷。相对于关联统计,因果统计在保证“四性”方面具有更好的理论基础。本期ADL将系统性介绍将因果统计引入学习、推理和决策问题所提出的理论、前沿方法及其应用。



CCF学科前沿讲习班

The CCF Advanced Disciplines Lectures

CCF ADL第130期

主题 因果学习与决策

2022年9月24日-9月26日 北京



本期CCF学科前沿讲习班ADL130《因果学习与决策》,将对因果学习和决策的基础理论和最新进展进行深入浅出的讲解,从因果统计推断、因果启发的稳定学习、反事实决策和因果强化学习等不同的方向视角和推荐系统、商业决策等不同应用领域视角为听众介绍因果学习和决策的关键技术和前沿研究进展。相信学员经过本次讲习班的学习,能够深入了解因果学习与决策的基本问题、基础理论、前沿方法和应用场景,开阔科研视野,增强实践能力。

 

本期ADL讲习班邀请了8位来自著名高校与企业科研机构活跃在前沿领域的专家学者做主题报告。第一天,耿直教授将从历史发展脉络的视角对因果推断进行全貌的介绍,苗旺助理教授和蔡瑞初教授将分别从Potential Outcome Framework和Structural Causal Model的角度介绍因果推断的基础和前沿。第二天,崔鹏副教授将讨论将因果推断与机器框架相融合解决机器学习稳定性和公平性的思路,俞扬教授和况琨副教授将分别讲述因果强化学习和反事实推理与决策的最新进展。第三天,何向南教授和王希廷研究员将分别介绍因果推荐系统的相关成果以及因果在解决可解释性问题方面的尝试,下午所有讲者将围绕“因果学习和决策的核心基础问题”展开现场思辨讨论。通过三天教学,旨在带领学员实现对因果学习和决策从基础理论方法,到前沿科研动态,再到典型应用场景的深入学习与思考。


学术主任:崔鹏 副教授 清华大学

主办单位:中国计算机学会


本期ADL主题《因果学习和决策》,由清华大学崔鹏副教授担任学术主任,邀请到耿直(教授,北京工商大学)、苗旺(助理教授, 北京大学)、蔡瑞初(教授, 广东工业大学)、崔鹏(副教授,清华大学)、俞扬(教授,南京大学)、况琨(副教授,浙江大学)、何向南(教授,中国科技大学)和王希廷(主管研究员,微软亚洲研究院)等8位专家做专题讲座。




活动日程




2022年9月24日(周六)

9:00-9:10

开班仪式

9:10-9:20

全体合影

9:20-12:00

专题讲座1: 因果推断综述:因果作用、因果关系与归因

耿直,教授,北京工商大学

12:00-13:30

午餐

13:30-15:00

专题讲座2: The potential outcome framework for causal inference
 
苗旺,助理教授,北京大学

15:30-17:00

专题讲座3: SCM与因果关系发现

蔡瑞初,教授,广东工业大学

2022年9月25日(周日)

9:00-12:00

专题讲座4: 因果启发的稳定学习与分布外泛化

崔鹏, 副教授,清华大学

12:00-13:30

午餐

13:30-15:00

专题讲座5: 因果强化学习研究进展

俞扬,教授,南京大学

15:30-17:00

专题讲座6: 大数据因果推理与强化决策

况琨,副教授,浙江大学

2022年9月26日(周一)

8:30-10:00

专题讲座7: 因果推荐方法概述

何向南, 教授,中国科技大学

10:30-12:00

专题讲座8: 让深度模型像人一样推理与解释

王希廷, 研究员,微软亚洲研究院

12:00-13:30

午餐

13:30-16:30

圆桌Panel: 因果学习和决策的核心基础问题

部分讲者





讲者介绍





耿直

北京工商大学 教授


讲者简介:耿直,北京工商大学数学与统计学院,教授。1982年上海交通大学本科毕业,1989年日本九州大学获理学博士学位,1989年至2021年北京大学任教,2022年1月至今北京工商大学任教,正在组建因果推断的研究团队。研究领域为因果推断、不完全数据统计分析、生物医学统计等。研究成果发表在统计学、机器学习、人工智能等国内外刊物。1996年当选为国际统计学会推选会员,1998年获国家杰出青年基金项目,曾应邀在2011年国际工业与应用数学大会(ICIAM 2011)做60分钟大会特邀报告。曾任中国现场统计研究会理事长、中国概率统计学会理事长、中国统计学会副会长,IMS-China主席。现任北京生物医学统计与数据管理研究会(BBA)会长,中国人工智能学会不确定性人工智能专委会副主任委员。


报告题目:因果推断综述:因果作用、因果关系与归因


报告摘要:因果关系不同于相关关系,探索因果是各种科学研究的最终目标。因果推断主要涉及因果概念的定义、因果机制研究、原因对结果的作用的评价、由结果推断原因的归因。诺贝尔经济学奖获得者J. Heckman将因果推断挑战问题分为三个层级:对实施过的决策的效果评价、对实施过的决策在其他环境将会有的效果评价、对从未实施过的决策将会有的效果评价。图灵奖获得者J. Pearl将因果推断分为三个层级:相关与预测、因果与决策、反事实与想象。因果推断的根本问题是消除混杂因素引起的虚假相关性;在几乎所有科学领域中,混杂都是一个历史悠久的问题。人类已经习惯于逻辑推理,但是将逻辑推理应用于因果推断的结论将会引起各种悖论。本报告将回顾因果推断的发展,介绍因果推断当前的两个主要的模型:以DB Rubin为代表的潜在结果模型、以J Pearl为代表的因果网络模型。基于两个因果模型,探讨混杂因素的判断准则、因果效应(Effects of Causes)的可识别性和估计、因果网络结构学习、因果网络局部学习与因果作用评价的结合方法。进一步介绍有关回顾性的因果推断、评价结果的原因(Causes of Effects)和归因(Attribution)的问题。 




苗旺

北京大学 助理教授


讲者简介:Wang Miao is currently Assistant Professor at the School of Mathematical Sciences at Peking University. Before that, he obtained PhD (2017) and BS (2012) degrees from the School of Mathematical Sciences at Peking University, and did postdoctoral research (2017–2018) at the Department of Biostatistics at Harvard University. His research interest spans in causal inference, missing data analysis, semiparametrics, and related fields in epidemiology, biostatistics, and business. Personal website: 

https://www.math.pku.edu.cn/teachers/mwfy/


报告题目:The potential outcome framework for causal inference


报告摘要:This talk is a brief introduction of the potential outcome framework for causal inference. We first introduce   the definition  of causal effects with potential outcomes and then focus on several  causal problems.  Particularly, we will discuss  randomization inference, confounding adjustment,  and proximal inference.  Applications in synthetic control and test negative design will be used for illustration.




蔡瑞初

广东工业大学 教授


讲者简介:蔡瑞初,教授、博士生导师、数据挖掘与信息检索实验室主任,国家优秀青年基金获得者。2010年于华南理工大学获得工学博士学位,并进入广东工业大学工作;2015年并被评为教授、博士生导师;曾先后到新加坡国立大学、UIUC高等数字科学研究中心访问学习。蔡教授专注于因果关系发现与因果性学习、深度学习等领域的理论与应用研究。在上述领域先后主持国家优秀青年基金、科技部”科技创新2030“重大项目、省杰出青年基金、省特支计划等项目;提出了因果关系发现与因果性学习系列方法,在ICML、NIPS、AAAI、IJCAI等领域重要会议和TNNLS、TKDE等国际著名期刊发表论文100余篇;解决了因果故障定位、因果决策优化等应用难题,相关成果在华为、网易、腾讯、滴滴、唯品会、南方电网、南方通信建设等企业实施,取得了良好的经济和社会价值;获得省科学技术一等奖(第三完成人)、国家发明专利奖优秀奖(第三完成人)等奖项;指导学生获得NeurIPS 2019解耦学习算法大赛第一名、亚太因果推理大会推理大赛第一名等奖项;先后担任NeurIPS、ICML等会议的Area Chair,IJCAI、AAAI等会议的SPC等。


报告题目:SCM与因果关系发现


报告摘要:探索和发现事物间的因果关系是数据科学的一个核心问题。在过去的数十年中,基于观察数据的因果关系发现方法在基础理论、算法设计及实际应用方面获得了很大的发展,引起了相关领域学者的关注。本报告拟从结构因果模型(Structural causal model,SCM)出发,对因果关系发现的基础理论和方法进行介绍,并从隐变量数据因果关系发现、非独立同分布数据因果关系发现等前沿进展进行探讨。 




崔鹏

清华大学 副教授


讲者简介:崔鹏,清华大学计算机系长聘副教授,博士生导师。研究兴趣聚焦于大数据驱动的因果推理和稳定预测、大规模网络表征学习等。在数据挖掘及人工智能领域顶级国际会议发表论文100余篇,先后5次获得国际会议或期刊论文奖,并先后两次入选数据挖掘领域顶级国际会议KDD最佳论文专刊。担任IEEE TKDE、ACM TOMM、ACM TIST、IEEE TBD等国际期刊编委。曾获得国家自然科学二等奖、教育部自然科学一等奖、电子学会自然科学一等奖、北京市科技进步一等奖、中国计算机学会青年科学家奖、国际计算机协会(ACM)杰出科学家。


报告题目:因果启发的稳定学习与分布外泛化


报告摘要:主流机器学习模型的基本假设是训练和测试数据的独立同分布(IID),导致其缺乏对分布外数据的泛化能力(Out-Of-Distribution Generalization),使得当前模型在真实、开放场景下的预测性能无法保证,是当前机器学习研究的公认重要难题之一。本报告将重点介绍因果启发的稳定学习最新研究进展,并针对分布外泛化问题进行全面介绍和思路分析。 




俞扬

南京大学 教授


讲者简介:南京大学人工智能学院教授,主要从事机器学习、强化学习的研究工作。获2020 CCF-IEEE青年科学家奖。入选2018 IEEE国际人工智能十大新星(AI’s 10 to Watch),获首届亚太数据挖“青年成就奖”,并受邀在国际人工智能联合大会 IJCAI’18 作“青年亮点报告”(Early Career Spotlight)。研究工作获4项国际论文奖励和3项国际算法竞赛冠军。


报告题目:因果强化学习研究进展


报告摘要:因果学习与强化学习长期以来是独立发展的两个分支学科,很少有所结合。然而两者之间有着很强的内在联系。报告将从强化学习的角度,介绍因果学习在强化学习任务中的必要性,并介绍因果学习在状态抽象和环境模型学习方面能为强化学习带来的改进。 




况琨

浙江大学 副教授


讲者简介:况琨,浙江大学计算机学院副教授,博士生导师,人工智能系副主任。主要研究方向包括因果推理、数据挖掘、因果可信机器学习。在数据挖掘和机器学习领域已发表近50余篇顶级会议和期刊文章,包括KDD、ICML、MM、AAAI、TKDE、TKDD、Engineering等。曾获2021年度中国科协青年人才托举工程项目支持,2021年度中国电子学会科技进步一等奖。


报告题目:大数据因果推理与强化决策


报告摘要:因果决策问题存在于许多领域,例如医疗保健、经济学、政治学、数字营销等。基于历史大数据,如何推断因果效应成为因果决策的关键。在本次报告中,我将重点介绍因果推理决策在大数据背景下所遇到的全新挑战,包括(1)高维噪声变量;(2)未知混淆变量;(3)连续/复杂干预变量等。同时,利用因果推理赋能机器学习,我们将因果反事实机制和因果去偏差思想应用于多智能体强化学习领域。针对多智能体强化学习中的信度分配问题,分别提出了(1)基于因果沙普利值的反事实信度分配模型,和(2)去偏差的值分解算法等。通过引入因果知识,这些算法有效提升了多智能体强化学习的效果。




何向南

中国科技大学 教授


讲者简介:何向南,中国科学技术大学教授、博导、大数据学院副院长。长期致力于信息检索与推荐、数据挖掘等方向的研究,在相关的CCF A类国际顶级会议和期刊发表论文100余篇,包括SIGIR、KDD、WWW等,谷歌学术引用2万余次。曾获SIGIR 2021、WWW 2018、SIGIR 2016最佳论文提名奖、阿里巴巴达摩院青橙奖等,在2022年AI 2000人工智能最具影响力学者“信息检索与推荐”领域排名第一。担任多个期刊的编委/副主编,如ACM Transactions on Information Systems (TOIS), ACM Transactions on Recommender Systems (TORS), IEEE Transactions on Big Data (TBD), AI Open等。主持多项国家级课题,如国家基金委重点项目,科技部重点研发计划课题等。


报告题目:因果推荐方法概述


报告摘要:得益于机器学习模型可有效地从海量数据中挖掘(关联)信息,数据驱动的推荐系统在互联网应用取得了极大的成功。然而,数据驱动的推荐系统仅从关联层面构建模型,不可避免地捕捉了如伪关联等不利关联信息,导致推荐有偏,泛化性差,不公平等一系列不可信问题。考虑数据生成的因果机制,可避免如由非因果关系带来的伪关联等不利关联信息影响推荐模型,助力实现更可信的推荐。因此,因果推荐是极具前景的研究方向,且在近两年受到了广泛关注。为帮助研究者与从业者理解与跟进本方向发展,本教程旨在提供对因果推荐的系统性介绍与讨论。本教程将从现有的两套主流因果框架,即结构因果模型(Structural Causal Model)与潜在结果(Potential Outcome)模型,来梳理与介绍现有工作,重点介绍及讨论如何利用因果工具去建模与解决推荐问题。同时,本教程也将讨论因果推荐的开放性问题及未来研究方向。期望本教程可以激发更多有趣的想法,促进因果推荐的发展。




王希廷

微软亚洲研究院 研究员


讲者简介:王希廷是微软亚洲研究院社会计算组主管研究员,研究兴趣为可解释、负责任的人工智能。王希廷分别于2011和2017年在清华大学获得电子系学士和计算机系博士学位。她的研究成果发表在KDD、ICML、SIGIR、TVCG等各个数据挖掘、机器学习及可视化的顶级会议、期刊上,被引用1700余次,还在微软等多公司的多个产品中落地应用。两次获得CCF-A类期刊TVCG封面论文奖,获得AAAI 2021 Best SPC奖。王希廷同时还是中国计算机学会高级会员,多次担任AAAI和IJCAI的高级程序委员会委员,并且在WWW、ICML、NeurIPS等国际顶级会议中常态化担任程序委员会委员。


报告题目:让深度模型像人一样推理与解释


报告摘要:深度学习模型复杂的结构和大规模的参数让人们越来越难对它们进行理解、预测和掌控。我们应该怎么让模型变得更透明、可理解、更容易训练、调试和优化呢?怎么让深度学习的能力进一步提高,从而可以进行像人一样可以处理复杂问题的推理呢?这次讲座中,我们介绍如何将深度学习模型进行升级,在利用到它们表示学习能力的同时,让它们具备像人一样进行逻辑规则推理、多层级推理、在知识图谱上的多步推理、以及在社交网络上的子图推理的能力。我们的方法不仅可以保持深度学习模型的高预测准确性,还可以让机器知其然也知其所以然,用正确的逻辑做出判断,同时也给了用户检查模型、进一步提高模型效果的机会。







学术主任





崔鹏

清华大学 副教授


崔鹏,清华大学计算机系长聘副教授,博士生导师。研究兴趣聚焦于大数据驱动的因果推理和稳定预测、大规模网络表征学习等。在数据挖掘及人工智能领域顶级国际会议发表论文100余篇,先后5次获得国际会议或期刊论文奖,并先后两次入选数据挖掘领域顶级国际会议KDD最佳论文专刊。担任IEEE TKDE、ACM TOMM、ACM TIST、IEEE TBD等国际期刊编委。曾获得国家自然科学二等奖、教育部自然科学一等奖、电子学会自然科学一等奖、北京市科技进步一等奖、中国计算机学会青年科学家奖、国际计算机协会(ACM)杰出科学家。






时间:2022年9月24日-9月26日

线下地址(疫情允许的情况下):北京•中国科学院计算技术研究所一层报告厅(北京市海淀区中关村科学院南路6号)

线上地址报名交费成功后,会前一周通过邮件发送。

 

报名须知:

1、报名费:CCF会员2800元,非会员3600元。受疫情影响,本期ADL线上线下同步举办,线上线下报名注册费用相同。食宿交通费用自理。根据交费先后顺序,会员优先的原则录取,额满为止。疫情期间,根据政府疫情防控政策随时调整举办形式(线上、线下)。

2、报名截止日期:9月22日。报名请预留不会拦截外部邮件的邮箱,如qq邮箱。

3、咨询邮箱 : adl@ccf.org.cn


缴费方式:

在报名系统中在线缴费或者通过银行转账:

银行转账(支持网银、支付宝):

开户行:招商银行北京海淀支行

户名:中国计算机学会

账号:110943026510701

请务必注明:ADL130+姓名

报名缴费后,报名系统中显示缴费完成,即为报名成功。

报名方式:请选择以下两种方式之一报名:

1、扫描(识别)以下二维码报名:

  

2、复制以下链接至浏览器或点击左下角“阅读原文”报名:

https://conf.ccf.org.cn/ADL130



加入因果科学社区


由智源社区、集智俱乐部联合举办的因果科学与Causal AI读书会第三季,主要面向两类人群:如果你从事计算机相关方向研究,希望为不同领域引入新的计算方法,通过大数据、新算法得到新成果,可以通过读书会各个领域的核心因果问题介绍和论文推荐快速入手;如果你从事其他理工科或人文社科领域研究,也可以通过所属领域的因果研究综述介绍和研讨已有工作的示例代码,在自己的研究中快速开始尝试部署结合因果的算法。读书会直播已结束,欢迎加入因果科学社区,回看第三季直播,加入讨论。



详情请见:

因果+X:解决多学科领域的因果问题 | 因果科学读书会第三季启动



点击“阅读原文”,立即报名