【ICML2019 tutorial】因果推理和稳定学习（Causal Inference and Stable Learning）

题目： Causal Inference and Stable Learning

简介：

在一个常见的机器学习问题中，使用一个根据训练数据集估计的模型，根据观察到的特征来预测未来的结果值。当测试数据和训练数据来自相同的分布时，许多学习算法被提出并证明是成功的。然而，对于给定的训练数据分布，性能最好的模型通常利用特征之间微妙的统计关系，这使得它们在应用于测试数据时更容易出现预测错误，因为测试数据的分布与训练数据的分布不同。对于学术研究和实际应用来说，如何建立稳定、可靠的学习模型是至关重要的。因果推理是一种强大的统计建模工具，用于解释和稳定的学习。因果推理是指基于某一效应发生的条件，对某一因果关系做出结论的过程。在本教程中，我们将重点讨论因果推理和稳定学习，旨在从观察数据中探索因果知识，以提高机器学习算法的可解释性和稳定性。首先，我们将介绍因果推理，并介绍一些最近的数据驱动的方法来估计因果效应的观测数据，特别是在高维设置。摘要为了弥补因果推理与机器学习在稳定学习上的差距，我们首先给出了学习算法的稳定性和鲁棒性的定义，然后介绍了一些最近出现的稳定学习算法，以提高预测的稳定性和可解释性。最后，我们将讨论稳定学习的应用和未来方向，并为稳定学习提供基准。

邀请嘉宾：

张潼，香港科技大学计算机科学与数学教授。此前，他是罗格斯大学(Rutgers university)教授，曾在IBM、雅虎(Yahoo)、百度和腾讯(Tencent)工作。张潼的研究兴趣包括机器学习算法和理论、大数据统计方法及其应用。他是ASA和IMS的研究员，曾在主要机器学习期刊的编委会和顶级机器学习会议的项目委员会任职。张潼在康奈尔大学获得数学和计算机科学学士学位，在斯坦福大学获得计算机科学博士学位。

崔鹏，清华大学计算机系长聘副教授，博士生导师。2010年于清华大学计算机系获得博士学位。研究兴趣包括社会动力学建模、大规模网络表征学习以及大数据驱动的因果推理和稳定预测。近5年在数据挖掘及人工智能领域高水平会议和期刊发表论文60余篇，曾5次获得顶级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。目前担任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、CCF-IEEE CS青年科学家奖、ACM中国新星奖。入选中组部万人计划青年拔尖人才，并当选中国科协全国委员会委员。