报告嘉宾： 张长青 (天津大学)

报告题目： Trustworthy Multimodal Learning

报告嘉宾： 况琨 (浙江大学)

报告题目： 基于工具变量的因果推断和因果可泛化学习

Panel嘉宾：

张长青 (天津大学)、况琨 (浙江大学)、蔡瑞初 (广东工业大学)、董振华 (华为诺亚方舟实验室)

Panel议题：

1. 有哪些实现可信机器学习的途径？

2. 估计不确定性在机器学习中有哪些实际作用？

3. 因果和可信机器学习的关系是什么？因果如何赋能可信机器学习?

4. 数据/ 知识中的偏见问题，以及推荐系统的公平性和可信性问题。

5. 实际应用中，影响模型的可信性主要有哪些？如何解决？

6. 大模型中如何实现可信机器学习?

*欢迎大家在下方留言提出主题相关问题，主持人和panel嘉宾会从中选择若干热度高的问题加入panel议题！

报告嘉宾： 张长青 (天津大学)

报告时间： 2023年06月28日 (星期三)晚上20:00 (北京时间)

报告题目： Trustworthy Multimodal Learning

报告人简介：

张长青，天津大学副教授、博士生导师，国家“万人计划”青年拔尖人才。主要研究方向为机器学习、计算机视觉、智能医疗。在IEEE TPAMI/ IJCV/ ICML/ NeurIPS等期刊和国际会议上发表论文100余篇，8篇论文入选ICML/ NeurIPS/ CVPR等顶级会议口头报告或亮点论文。Google Scholar引用7300余次。研究成果获得中国图象图形学学会自然科学奖一等奖、ICME最佳论文等奖励，入选百度发布的全球人工智能华人青年学者榜单、斯坦福大学发布的全球顶尖科学家榜单。受邀为IEEE TPAMI、IJCV、CVPR、ICCV、ECCV等多个国际高水平期刊及会议审稿。主持和参与多项国家自然基金面上项目/ 重点项目、国家重点研发计划项目。

个人主页：

http://cic.tju.edu.cn/faculty/zhangchangqing/index.html

报告摘要：

多模态已经成为大数据时代的标志性特征。多模态只能技术正在被广泛应用到智能医疗、机器人感知等重要领域。精准、可靠的多模态机器学习成为支持重要应用的关键技术。多模态数据为智能系统提供了丰富信息，使得多模态智能系统可以“兼听则明”，提高分类和预测准确性。在许多真实应用中，由于传感器的不稳定性和损坏、场景的动态变化，造成了关联复杂、低质量的多模态数据。本报告将介绍如何实现可靠的多模态数据融合，保证多模态协同的稳定性和可信性，以及多模态技术在智能医学领域的应用。

参考文献：

[1] Zongbo Han, Changqing Zhang*, Huazhu Fu, Joey Tianyi Zhou,, “Trusted Multi-View Classification,” The 9th International Conference on Learning Representations (ICLR), 2021.

[2] Qingyang Zhang, Haitao Wu, Changqing Zhang*, Qinghua Hu, Huazhu Fu, Joey Tianyi Zhou, Xi Peng, " Provable Dynamic Fusion for Low-Quality Multimodal Data," Proceedings of the 40th International Conference on Machine Learning (ICML), 2023

[3] Changqing Zhang, Yajie Cui, Zongbo Han, Joey Tianyi Zhou, Huazhu Fu and Qinghua Hu, Deep Partial Multi-View Learning, IEEE Transactions on Pattern Analysis and Machine Intelligence (IEEE T-PAMI), 2021

报告嘉宾： 况琨 (浙江大学)

报告时间： 2023年06月28日 (星期三)晚上20:30 (北京时间)

报告题目： 基于工具变量的因果推断和因果可泛化学习

报告人简介：

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。2019年博士毕业于清华大学计算机系。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70余篇顶级会议和期刊文章，包括TKDE, TPAMI, ICML, NeurIPS, KDD, ICDE, WWW, MM, IJCV, 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。

个人主页：

https://kunkuang.github.io/

报告摘要：

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。

参考文献：

[1] Anpeng Wu, Kun Kuang*, Ruoxuan Xiong, Fei Wu. Instrumental Variables in Causal Inference and Machine Learning: A Survey, arxiv, 2022.

[2] Haotian Wang, Wenjing Yang, Longqi Yang, Anpeng Wu, Liyang Xu, Jing Ren, Fei Wu, Kun Kuang* Estimating Individualized Causal Effect with Confounded Instruments, KDD, 2022.

[3] Anpeng Wu, Kun Kuang*, Bo Li, Fei Wu. Instrumental Variable Regression with Confounder Balancing, ICML, 2022.

[4] Junkun Yuan, Anpeng Wu, Kun Kuang*, Bo Li, Runze Wu, Fei Wu, and Lanfen Lin. Auto IV: Counterfactual Prediction via Automatic Instrumental Variable Decomposition, TKDD， 2020.

[5] Junkun Yuan, Xu Ma, Ruoxuan Xiong, Mingming Gong, Fei Wu, Lanfen Lin, Kun Kuang*. Instrumental Variable-Driven Domain Generalization with Unobserved Confounders, TKDD, 2023.

Panel嘉宾 ： 蔡瑞初 (广东工业大学)

嘉宾 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。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；协助华为、网易、腾讯、滴滴、唯品会、南方电网、南方通讯建设等企业解决了因果故障定位、因果决策优化、因果个性推荐等应用难题，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、“互联网+”全国决赛金奖等奖项；先后担任NeurIPS、ICML等会议的Area Chair、IJCAI、AAAI等会议的SPC等。

个人主页：

https://sites.google.com/site/cairuichu/

Panel嘉宾 ： 董振华 (华为诺亚方舟实验室)

嘉宾 简介：

董振华，华为诺亚方舟实验室技术专家，推荐搜索项目经理。从事推荐系统、因果推断、排序学习、可信计算等领域的研究及应用，研究成果在超过信息流、广告、应用、音乐、视频等40个场景落地应用，并申请国内外专利超过50项，在KDD、SIGIR、RecSys、UAI、TOIS、TKDE等会议、期刊发表学术论文近50篇，并担任 SIGKDD、SIGIR、WSDM、WWW、AAAI、TOIS程序委员及审稿人，曾获WikiSym11 Best paper，著有译著《奇点临近》。

个人主页：

http://linkedin.com/in/zhenhua-dong-13309227/

主持人： 胡鹏 (四川大学)

主持人简介：

胡鹏，四川大学副研究员，博士生导师。主要研究方向为机器学习、多媒体计算。在TPAMI、TIP、CVPR等期刊/ 会议上发表长文四十余篇。研究成果获得中国图象图形学学会自然科学奖一等奖。受邀担任TPAMI、IJCV、TIP、CVPR、ICCV、ECCV、NeurIPS、ICML、ICLR等期刊和会议审稿人/ 高级程序委员/ 程序委员。担任CSIG青工委副秘书长、视觉与学习青年学者研讨会 (VALSE)执行领域主席委员会 (EACC)副主席。主持和参与多项国家自然基金项目、国家重点研发计划项目。

个人主页：

https://penghu-cs.github.io/

特别鸣谢本次Webinar主要组织者：

主办AC： 胡鹏 (四川大学)