个人介绍：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60余篇顶级会议和期刊文章，包括KDD、ICML、NeurIPS、MM、AAAI、TKDE、TKDD、Engineering等。曾获2022年ACM SIGAI China 新星奖（Rising Star Award），2021年度中国科协青年人才托举工程项目支持，2022年度高等学校科学研究优秀成果奖（科学技术）科技进步一等奖，2021年度中国电子学会科技进步一等奖，2020年度中国人工智能学会优秀博士学位论文提名奖。 演讲题目：基于工具变量的因果推断和因果可泛化学习 演讲提纲：现阶段机器学习尤其是深度学习的主要特点在于数据驱动、关联学习、和概率输出，导致模型普遍存在预测不稳定和不可解释等问题。我们认为这些问题的主要根源在于因果机制尚未融入机器学习。因此，我们需要从关联分析跨越到因果推理，将因果引入机器学习，从而实现模型的可解释性和稳定性。 大数据因果推断是实现从关联分析跨越到因果推理的核心一环。当因果推断遇上大数据，会面临高维连续变量，混淆变量观测不全等诸多挑战，导致传统因果推断方法在大数据环境下失效。如何利用机器学习和深度学习的技术，发挥数据优势、激发算法潜能，是实现大数据因果推断的核心。这次报告，我们主要从工具变量视角，给大家介绍如何利用机器学习赋能大数据因果推断。 另一方面，因果关系的可解释性和稳定性也给机器学习的可泛化性带来了可能。我们训练机器学习模型的数据往往是有偏的，如混淆偏差和选择偏差等，导致变量之间存在不稳定且不可解释的虚假关联。消除虚假关联，恢复因果关联是实现可解释可泛化机器学习的关键。这次报告，我们主要从因果推断中的工具变量视角出发，探讨领域泛化问题中存在的偏差问题，并提出因果可泛化学习机制。 听众收益： 1. 认识工具变量和相关方法 2. 利用工具变量实现复杂因果推断 3. 工具变量如何赋能可泛化机器学习