【活动通知】SFFAI95×CRIPAC 因果推理专题

SFFAI 合作机构 CRIPAC 简介

智能感知与计算研究中心（www.cripac.ia.ac.cn）为中科院自动化研究所独立建制的科研部门，致力于研究泛在智能感知理论与技术以及与之相伴的海量感知数据的智能分析与处理。瞄准国际学科前沿，面向国家公共安全、智能产业发展等重大战略需求，着眼于基础理论创新与关键技术突破以及系统解决方案的研制，努力打造成为国际一流的研究中心，是集人才培养、技术创新、产业孵化为一体的创新平台。中心目前主要在多模态智能计算、生物识别与安全、生物启发的智能计算、智能感知基础理论四个方面展开科学研究。

会议内容

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。

直播时间

2021年1月3日（周日）20:00-21:00  线上直播

关注本公众号，对话框回复“SFFAI95”，获取入群二维码

注：直播地址会分享在交流群内

论文推荐

“ 《SFFAI 95期—因果推理专题》来自来自墨尔本大学的宫明明老师推荐的文章主要关注于因果推理与机器学习领域，你可以认真阅读讲者推荐的论文，来与讲者及同行线上交流哦。”

关注文章公众号

回复"SFFAI95"获取本主题精选论文

01

推荐理由：首次证明了从降采样/聚合数据恢复因果关系的可能性，并提出基于贝叶斯推理的算法。

—— 宫明明

02

推荐理由：从因果生成模型角度，提出基于条件不变/迁移的域自适应学习框架和算法。

—— 宫明明

03

推荐理由：将多源域域自适应看成图模型上的贝叶斯推理问题，提出新的域自适应学习框架和算法。

—— 宫明明

SFFAI招募！

现代科学技术高度社会化，在科学理论与技术方法上更加趋向综合与统一，为了满足人工智能不同领域研究者相互交流、彼此启发的需求，我们发起了SFFAI这个公益活动。SFFAI每周举行一期线下活动，邀请一线科研人员分享、讨论人工智能各个领域的前沿思想和最新成果，使专注于各个细分领域的研究者开拓视野、触类旁通。

SFFAI目前主要关注机器学习、计算机视觉、自然语言处理等各个人工智能垂直领域及交叉领域的前沿进展，将对线下讨论的内容进行线上传播，使后来者少踩坑，也为讲者塑造个人影响力。SFFAI还在构建人工智能领域的知识森林—AI Knowledge Forest，通过汇总各位参与者贡献的领域知识，沉淀线下分享的前沿精华，使AI Knowledge Tree枝繁叶茂，为人工智能社区做出贡献，欢迎大家关注SFFAI论坛：https://bbs.sffai.com。

SFFAI历史活动

更多SFFAI历史活动

请点击文章底部“阅读原文”查看

分享、点赞、在看，给个三连击呗！