欢迎访问广东工业大学数据挖掘与信息检索实验室!
DMIR实验室毕业校友学术分享会
2024-10-25 15:38  

   9月8日上午,DMIR实验室特别邀请了2016届毕业校友&广东技术师范大学计算机科学学院硕士生导师陈蔚琦师兄、2020届毕业校友&北京工商大学数学与统计学院副教授谢峰师兄和2021届毕业校友&北京工商大学数学与统计学院硕士生导师曾艳师姐,为实验室师生作学术报告。本次报告由陈薇老师主持。

陈蔚琦师兄以“基于因果学习的医学知识发现与预测研究”为题,介绍了他当前研究的三个重要方向。首先,他展示了基于脑胶质瘤的因果机器学习框架,研究结果表明该框架在不同的机器学习算法中均有稳定的表现,且数据量的变化对模型的影响较小。其次,他讲解了多中心多算法融合技术的研究,着重分析了不同医疗中心数据分布差异导致的偏差问题,并通过联合学习、多中心解释偏差等方式提出了解决策略,展示了其在实际医疗数据集上的良好应用效果。最后,陈蔚琦师兄介绍了多模态医学数据的因果关系研究,通过融合临床、基因和影像等多种模态数据,优化了预测的准确性和可解释性,为医疗管理决策提供了重要的支持。

5888


   谢峰师兄以“Local Causal Structure Learning and Causal Effect Estimating in the Presence of Latent Variables”为题,阐述了如何在包含潜在变量的模型中局部识别目标节点的潜在父节点和子节点。并以存在潜在变量时从观测数据中发现因果关系所面临的挑战作为切入点,指出当研究聚焦于某一目标变量的局部网络结构时,盲目追求全局结构的解析往往是不必要和浪费的。随后,谢峰师兄展示了如何在包含潜在变量的模型中局部识别目标节点的潜在父节点和子节点,提出了一种原则性的方法来确定一个变量是否是目标的原因或非原因,仅基于局部结构而不是整个图。接着,谢峰师兄提出了局部估计父节点对目标节点的因果效应的方法。师兄从理论上证明了方法在忠实的假设下的正确性,以及对独立性的准确检查,并展示了该方法应用在Cataneo2数据集上的准确度。最后,谢峰师兄总结了本次报告所提出的理论和算法,并展望了未来的研究方向。

21217

   曾艳师姐以“Causality Inspired Policy Learning”为题,介绍了相关研究工作。首先,针对现有研究中对长期效益的过度强调问题,提出了一种新的策略学习方法, 旨在平衡短期和长期的回报。 为了验证方法的可识别性,将所提出的方法在三个广泛使用的基准数据集(IHDP、JOBS和PRODUCT)上进行了测试。 实验的结果显示,通过与现有技术进行比较,提出的方法展现出了卓越的性能。 接着,曾艳师姐介绍了名为ACE(Off-Policy Actor-Critic with Causality-Aware Entropy Regularization)的方法。 ACE算法在策略学习的每个阶段都识别了最关键的原始行为问题,并构建了行为与奖励之间的因果关系模型。 通过这种方式,因果权重自然地引导了智能体的行为,其中因果权重较大的行为将获得更大的奖励,从而鼓励其探索; 相反,因果权重较小的行为则获得较少的奖励,减少了不必要的探索。 16E25

   整场报告内容丰富详实,洋溢着浓厚的学术氛围。现场听众与各位校友展开了深入而热烈的互动与探讨。实验室的师生们收获颇丰,深刻认识了学术研究与实际应用相结合的重要意义。实验室培育出的杰出毕业生,现在在各自的专业领域深入研究,回到实验室为师弟师妹们提供指导和灵感。这种积极的交流与合作,为实验室的科研活动带来了新的活力。期待更多的优秀校友带着自己的专业积淀和实践经验,回到实验室与大家分享在研究与实践中积累的宝贵经验,共同助力DMIR实验室更好发展!

498B5D



关闭窗口