4月21日 PhD Debate预告 | 因果推理（Causal Inference）与时间序列（Time Series）

点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

2023年4月21日10:00，PhD Debate第十五期，题为“因果推理（Causal Inference）与时间序列（Time Series）” 特别邀请了圣地亚哥加利福尼亚大学助理教授黄碧薇、南加州大学博士生曹德福、卡内基梅隆大学博士生宋祥辰、俄亥俄州立大学博士生刘若琦作为嘉宾，与大家一起聊一聊因果推理（Causal Inference）与时间序列（Time Series）。

1.因果性与相关性在现实世界中的区别；

2.因果推理目前主要的理论支持有哪些（deconfounding，proxy causal model，causal discovery）；

3.如何合理的保证可识别性；

4.因果推理在时间序列数据中的必要性与面临的挑战，具体来说，动态因果关系在时间序列中是必要的，但是相比静态因果困难的点；

5.因果关系能够在环境改变时保证效果稳定，但是对于特定的问题（比如预测问题），因果关系能否提供高精度的结果；

6.因果推理与机器学习结合的工作相关推荐。（chatgpt）

哔哩哔哩直播通道

扫码关注AITIME哔哩哔哩官方账号预约直播

★ 嘉宾简介 ★

黄碧薇：

UCSD助理教授，主要研究方向为causal discovery & causality-related machine learning, 以及在生物和神经科学等领域的应用。她的研究贡献已发表在 JMLR、ICML、NeurIPS、KDD、AAAI、IJCAI 、UAI等ML/AI主要期刊和会议。她是 CMU 校长奖学金和Apple AI/ML博士奖学金的获得者。主办了NeurIPS 2020 workshop on causal discovery and causality-inspired machine learning 以及1st conference on Causal Learning and Reasoning (CLeaR)。

个人主页：https://biweihuang.com/

曹德福：

USC南加大博士生，主要研究方向为causal inference & time-series data。为此，他的研究旨在整合因果推断、图神经网络、频谱域表示、可解释性和鲁棒性等对包括时间序列、时空数据和关系数据在内的特殊结构进行深刻理解。他的研究成果发表在 NeurIPS, ICLR, CVPR, AAAI等领域顶级会议。同时他担任TPAMI， ACM Health， NeurIPS， ICML，SDM等顶级期刊会议审稿人/Session Chair。

个人主页：https://idevede.github.io/

宋祥辰：

CMU博士生，主要研究方向为causality-inspired machine learning。他的研究贡献已发表在 ICLR、WWW、WSDM、AAAI、ICDE、EMNLP等ML/AI主要期刊和会议。主办了The 38th Conference on Uncertainty in Artificial Intelligence (UAI 2023)。

个人主页：https://xiangchensong.github.io/