91自拍

荔园学者Colloquium第一百七十八期

讲座题目：Causal representation learning and causal generative AI

主讲人：张坤 教授（卡耐基梅隆大学)

讲座时间：2026年7月14日10：30-11：30

讲座地点：91自拍 粤海校区汇星楼一号教室

内容摘要：As a core pillar of science and engineering, causality is transforming our approach to modern machine learning and artificial intelligence.  Uncovering the causal process underlying observed data naturally helps answer 'why' and ‘what-if' questions, informs optimal decision-making, and enables adaptive prediction. In many scenarios, observed variables, such as image pixels and questionnaire responses, are often reflections of the underlying hidden causal variables rather than being causal variables themselves. Causal representation learning aims to reveal the underlying hidden causal variables and their relations.  In this talk, we show how the modularity property of causal systems makes it possible to recover the underlying causal representations from observational data with identifiability guarantees. We further demonstrate how identifiable causal representation learning can directly benefit generative AI, using image generation / editing and extrapolative data generation as illustrative examples.

主讲人简介：Kun Zhang是卡耐基梅隆大学（Carnegie Mellon University，CMU）的教授，同时也是阿联酋穆罕默德·本·扎耶德人工智能大学（Mohamed bin Zayed University of Artificial Intelligence，MBZUAI）的访问教授。他主要研究方向包括：基于表格数据的因果发现、从文本、视频和图像等多模态数据中进行因果表征学习，以及面向新兴机器学习问题的因果方法研究。他的研究工作致力于解决一些长期存在的关键科学问题，包括：在存在潜变量的情况下识别因果结构、利用分布信息区分因果方向、构建可靠的非参数条件独立性检验方法、处理测量误差与缺失数据问题，以及阐明因果视角如何促进生成式人工智能的发展。他长期担任机器学习与人工智能领域顶级会议的高级领域主席（Senior Area Chair）、领域主席（Area Chair）或高级程序委员会成员（Senior PC Member）。他曾担任首届因果学习与推理会议（CLeaR 2022）的大会主席与程序主席之一，担任第38届不确定性人工智 能会议（Conference on Uncertainty in Artificial Intelligence 2022）以及国际数据挖掘大会（IEEE International Conference on Data Mining 2024）的程序主席，并担任UAI 2023的大会主席之一。他目前还担任《JASA》《JMLR》《IEEE TPAMI》《ACM Computing Surveys》等期刊的副主编。

欢迎师生参加！

　　　　　　　　　　　　　　　　　　　　　　　91自拍

　　　　　　　　　　　　　　　　　　　　 2026年7月6日