基于神经网络的新闻推荐算法能够从纷繁复杂的新闻中筛选出符合用户偏好的新闻，对于提升用户获取信息的效率以及阅读新闻的体验具有重要的意义。现有的新闻推荐方法不仅在用户偏好的准确建模方面取得了显著的效果，同时通过识别新闻数据中的虚假关联(例如用户性别与特定新闻类别之间的联系)开展了无偏新闻推荐的初步尝试.然而用户的新闻点击行为是一系列复杂认知行为相互作用之后的决策结果，仅对有偏信息进行直接建模，简化了有偏信息和用户行为之间的复杂交互关系，忽略了用户行为背后的复杂认知因素的影响，导致无偏推荐效果难以满足实际需求.为了解决该问题，本文提出一种全新的从众性感知的因果去偏新闻推荐方法。

情境感知的自然语言推理任务要求模型能够根据给定情境信息判断前提句子与假设句子之间的语义推理关系. 大量的研究工作通过利用情境信息增强对输入句子的语义表征学习，取得了显著的效果.

随着深度学习相关技术在计算机视觉、自然语言处理等领域的快速发展和广泛应用，深度学习模型逐渐成为了高价值攻击目标，其固有的易受噪声干扰的安全隐患也逐步暴露出来，如基于生成对抗网络（GAN）或机器学习的方式，通过添加少量特定的噪声来生成对抗样本，导致现有的深度学习模型失效。

内容聚焦因果推理与机器学习的交叉领域，针对当前主流 AI 算法依赖相关性、易受虚假相关与分布偏移影响，导致预测不可解释、稳定性不足的核心痛点，系统性传授因果正则化稳定学习的核心理论与前沿方法。

针对序列上连续决策问题,诸如故障告警根因定位问题，强化学习(RL)已经成为一种重要的解决方法，但现有强化学习方法存在样本效率低、探索成本高昂等问题,阻碍了其广泛应用。研究表明，引入因果知识为提升强化学习智能体的决策可解释性和样本效率提供了巨大潜力。

近年来人工智能技术的发展，在诸多垂直领域取得了性能突破。但当我们将这些技术应用于医疗、司法、工业生产等风险敏感领域时，发现当前人工智能在稳定性、可解释性、公平性、可回溯性等“四性”方面存在严重缺陷。究其深层次原因，当前统计机器学习的基础——关联统计自身不稳定、不可解释、不公平、不可回溯可能是问题的根源。相对于关联统计，因果统计在保证“四性”方面具有更好的理论基础。但如何将因果统计融入机器学习框架，是一个开放并有挑战的基础性问题。本报告中，讲者将重点介绍将因果推理引入预测性问题所提出的稳定学习理论和方法，及其在解决OOD泛化问题方面的机会和挑战。