CCF广东工业大学学生分会举办“因果关系发现及其应用”学术讲座

2025 年 12 月 17 日（星期三）下午，CCF 广东工业大学学生分会成功举办了主题为“因果关系发现及其应用”的学术讲座。这场讲座由广东工业大学计算机学院特聘副教授乔杰担任主讲人。乔老师的主要研究领域为人工智能与因果推断，具体聚焦于因果关系发现及其应用方向；他于 2021 年获广东工业大学计算机学院博士学位，随后以青年百人博士后研究员身份留校深耕相关领域，期间曾获广东省青年优秀科研人才国际培养计划博士后项目资助，赴香港大学开展为期近一年的学术访问。目前，乔老师已在 NeurIPS、ICML、AAAI、IJCAI、IEEE TNNL、SCIS 等国际顶级会议及期刊发表学术论文 20 余篇，长期担任国际会议与期刊程序委员会委员，在人工智能与因果推断领域积累了深厚的学术造诣和丰富的实践经验。

讲座伊始，乔老师系统阐述了因果关系的核心概念与研究背景，指出因果关系是科学研究与系统认知的核心，而现实中人们常混淆关联关系与因果关系进而引发决策偏差，他通过“冰淇淋销量与鲨鱼咬人事件相关”“外卖奖金增加但接单率下降”等生动案例，清晰揭示了“关联≠因果”的核心观点，强调精准定义和发现因果关系的重要性，同时介绍了因果关系研究的基本假设，也为后续方法讲解奠定基础。

乔老师着重强调，区分关联与因果对人类而言或许是习以为常的思维活动，但要让机器具备这一能力并辅助实际决策，就必须从数据和数学层面对因果进行精准界定，这也是实现下一代人工智能的关键；他提及人类对因果问题的探讨由来已久，还通过“箱子里的小老鼠拉动摇杆获得食物”的假设案例，说明仅基于观测的关联推断可能存在偏差，看不到背后的真实机制就难以形成正确的因果认知。随后，乔老师介绍了因果图建模方式及其应用价值，指出因果图可有效解释此前提出的各类谬误，并以“外卖奖金与接单率”案例进一步剖析，揭示了“天气”这一混淆因素的存在——在晴天和雨天分别观察时，均呈现“奖金越多接单率越高”的合理趋势，而忽略天气因素时就会出现整体的反向关联；他还补充了手机网络类别识别的案例，说明明确变量间的因果关系能增强模型的泛化能力。最后，乔老师指出当前多数算法模型未涉及因果应用，仅复制观测分布无法回答干预或预测类问题，强调建立精确因果模型对准确解决此类问题的必要性。

随后，乔老师深入讲解了经典因果发现方法框架。他详细介绍了三类核心方法：基于约束的方法、基于分数的方法和基于结构方程模型的方法，逐一剖析了各类方法的原理、实现步骤、适用场景以及前提局限。通过结构方程模型的实例演示，清晰展示了如何通过溯因、干预、预测三个步骤实现反事实推断，让听众直观理解经典方法在因果关系量化分析中的应用过程。

乔老师将研究焦点集中于复杂场景下的因果发现方法这一核心研究领域，针对该场景中极具挑战性的事件数据处理与缺失值处理两大核心难题，系统阐述了相关研究的核心动机、技术路径及最新研究进展；在事件数据处理方面，为解决非均匀采样引发的时间戳信息丢失及因果动态滞后等关键问题，其团队创新性地提出了结构霍克斯过程与泊松分支结构方程模型（PB-SCM）两大核心模型，其中结构霍克斯过程成功实现了低精度数据场景下瞬时因果效应的有效识别，泊松分支结构方程模型（PB-SCM）则通过独特的模型设计完成了其因果结构可识别性的理论证明，为事件数据的因果发现提供了坚实的方法论支撑。

在缺失值处理领域，团队重点攻克了非随机缺失中的自掩蔽缺失这一难点问题，针对现有方法多基于分布恢复、存在明显局限性的现状，提出了专属的因果结构学习算法，该算法突破了传统方法的技术瓶颈，不仅有效提升了自掩蔽缺失场景下因果结构学习的准确性，更从理论层面证明了其在特定条件下的因果结构可识别性；此外，其团队还提出了含因果过程的因果攻击算法，通过严谨的理论分析与实验验证充分证明了该算法的有效性，为因果发现模型的鲁棒性研究提供了新的思路。

最后，乔老师分享了因果关系的典型应用场景与研究展望。乔老师鼓励在场师生关注因果发现与真实场景的结合，强调因果关系是实现真正意义人工智能的必经之路。

此次讲座吸引了众多对人工智能、数据科学等领域感兴趣的师生参与。大家对乔老师的分享给予高度评价，认为讲座内容兼具理论深度与实践价值，系统梳理了因果发现的方法体系，清晰展示了从理论到应用的完整路径，为相关领域的研究和实践提供了重要指导。

CCF广东工业大学学生分会持续举办每周论坛系列学术活动，旨在搭建高水平学术交流平台，促进不同研究领域的思想碰撞与创新合作。未来，我们将继续邀请各领域专家学者分享前沿成果，为师生提供更多学术资源和交流机会，助力科技创新与人才培养。