宫明明：博士，墨尔本大学数学与统计学院的数据科学讲师（助理教授），同时担任墨尔本数据科学中心研究员。研究兴趣包括因果推理，机器学习和计算机视觉。在ICML, NeurIPS, UAI, CVPR, ICCV, ECCV, AAAI, IJCAI等顶级会议发表了三十多篇学术论文。还共同组织了多次研讨会/竞赛，以促进对弱监督表示学习（SDM20，ACML21）和3D计算机视觉（IJCAI21）的研究。于2020年获得了澳大利亚研究委员会的“早期职业研究者奖” ，并被选为IJCAI2020的“早期职业焦点演讲”演讲者（全球15位演讲者）。担任CCF A类会议AAAI和IJCAI的高级程序委员会成员。
报告题目：因果推理与机器学习
报告摘要：在本次分享将重点介绍因果推理和机器学习之间的联系，并探讨它们如何相互受益。一方面，机器学习为基于复杂数据的因果推理提供了强有力的工具。通过对数据产生过程的合理假设，我们能借用机器学习方法实现因果推理。另一方面，由于因果结构提供了有关分布变化特性的信息，它可以用来提升机器学习在分布变化情况下的迁移和泛化能力。
Spotlight：
建立起因果推理与机器学习之间的桥梁，启发更多对因果与机器学习的探索。
通过合理假设与理论推导，将机器学习模型应用于因果推断问题。
通过数据的的因果性的发倔，提升机器学习的迁移与泛化能力。
1. Discovering Temporal Causal Relations from Subsampled Data
2. Causal Discovery from Temporally Aggregated Time Series
推荐理由：首次证明了从降采样/聚合数据恢复因果关系的可能性，并提出基于贝叶斯推理的算法。
3. Domain Adaptation with Conditional Transferable Components
推荐理由：从因果生成模型角度，提出基于条件不变/迁移的域自适应学习框架和算法。
4. Domain Adaptation as a Problem of Inference on Graphical Models
推荐理由：将多源域域自适应看成图模型上的贝叶斯推理问题，提出新的域自适应学习框架和算法。
