Speaker

　　Title

　　Time

　　Venue

腾讯直播间：https://meeting.tencent.com/l/JzZvuTeQ6T5S

腾讯会议室 ID：788 789 127

　　Abstract

该报告介绍Pearl提出的因果推断的三个层级，综述因果推断的两个主要模型：潜在结果模型、因果网络。探讨因果作用和因果关系的可识别性，因果作用的可传递性，因果网络结构的学习算法，以及因果作用与因果网络结合的因果推断方法。 

参考文献 

1.Pearl, J. and Mackenzie, D. (2018) The Book of Why. 为什么：关于因果关系的新科学, 中信出版集团，中译版，2019 

2.Geng, Z., Liu, Y., Liu, C. C. and Miao, W. (2019) Evaluation of Causal Effects and Local Structure Learning of Causal Networks. Ann. Rev. Statist. & Appl. 6, 103-124. 

3.苗旺，刘春辰，耿直 (2018) 因果作用与因果网络. 中国科学-数学, 48, 1753-1778. 

4.Liu, Y., Fang, Z. Y., He, Y. B., Geng, Z. and Liu, C. C. (2020) Local causal network learning for finding pairs of total and direct effects. To appear in J Mach Learn Res.

　　Affiliation

耿直, 北京大学数学科学学院，教授。研究方向为因果推断、不完全数据、生物统计。研究Simpson悖论、混杂因素和因果作用的可识别性；提出替代指标悖论、确定替代指标的准则；给出因果网络的分解学习、主动学习、局部学习等算法。成果发表在统计学、机器学习、人工智能等刊物。曾担任中国现场统计研究会理事长、中国数学会概率统计学会理事长，现任北京生物医学统计与数据管理研究会理事长。