由我校研究生院、党委研究生工作部主办，产业技术研究院、互联网医疗与健康服务河南省协同创新中心等联合承办的研究生“名师名家讲坛”，将邀请澳大利亚迪肯大学戴洪华教授做学术报告。欢迎广大师生积极参加！

报告题目：Minimum Message Length (MML) Principle Based Causal Discovery基于最小消息长度（MML）原理的因果发现

报告人：戴洪华教授

报告时间：2018年10月11日（星期四） 上午9：30-11：00

报告地点：郑州大学南校区逸夫楼一楼学术报告厅

报告人简介：

戴洪华，博士，戴教授是机器学习、数据挖掘和人工智能领域的国际杰出研究者。基于最小消息长度（MML）原理的因果发现是他研究的重点之一。戴教授主持了多次国际会议和讲习班，并在众多顶级国际会议的项目委员会任职，包括IJCAI、ICML、ICDM和PAKDD。他还担任众多国际著名期刊的区域编辑，客座编辑和编辑委员会成员，包括《信息学》、《知识发现与数据挖掘国际期刊》、《软件工程与知识工程国际期刊》、《国际期刊》，《数据挖掘》、《数据仓库》、《数据管理》等，发表论文180余篇。戴教授的主要研究贡献包括基于最小消息长度原理的因果发现、基于粗糙集理论的不精确领域学习、可靠知识发现方法和快速大数据挖掘方法。

戴教授本科毕业于南京大学，获得中国科学院硕士学位，并获得RMIT大学博士学位。他访问了数据挖掘和机器学习领域的许多世界顶尖研究人员并与他们合作，如Usama Fayyad博士（数据挖掘的先驱）和韩嘉伟教授等。他曾在包括中国科学院、RMIT大学、莫纳什大学、迪金大学、新英格兰大学、山口大学和卡内基梅隆大学在内的几个世界知名机构工作。

报告中文简介：

真正的机器智能的实现仅当它的推理能力不仅能够有效地应用判断型的知识而且能够有效地应用因果关系型的知识。人工智能的先驱，贝叶斯网之父，图灵奖得主Judea Pearl教授指出，智能机如何思考的关键，在于以因果关系推理代替概率关联思维方式。他进一步指出科学家和哲学家们应该研究因和果，因为这可能是实现真正智能机器的可能的途径。

该报告将首先提供有关因果关系和因果关系发现的基本概念的描述，然后提供一个最小信息长度理论的索引，以及它在自动因果关系发现中的应用。因果关系模型的编码方法和用最小信息长度理论从模型空间发现与给定数据有最佳匹配的因果关系模型的发现算法也作了叙述。数据因素和模型因素对自动因果关系发现的影响的详细研究的结果也作了陈述。试验结果表明基于最小信息长度原理的因果关系模型的发现算法能够有效地从给定数据中发现感兴趣的因果关系模型。报告的最后指出了因果关系模型的可能的用途以及今后的研究方向和研究挑战。

Abstract：

Real machine intelligence can only be achieved when the inference capacity implemented covers theeffectiveuse of not only diagnosis knowledge but also causalities. The pioneer of artificial intelligence, the father of Bayesian Network and Turing Award receiver, Professor Judea Pearl pointed out the key to how to think of an intelligent machine should replace the way of thinking from probabilistic association with causality inference. He further pointed out that scientists and philosophers should study cause and effect, this might be the possible way to implement real intelligent machine.

This talk will firstprovidea description on the basic concepts of causality and causal discovery, then provide a brief introduction to the theory of Minimum Message Length (MML) principle, and its application in automatic causal discovery. The method of coding a causal model and the algorithm to discover the model with minimum message length principle from the model space that best fit the dataisdescribed. The results of the detailed study of the impact of data issues and model related issues are also presented. The experimental results demonstrate that the MML based causal discovery algorithm is capable of discovering interesting causal models from a given data set effectively. Potential applications and future research directions and challenges are also pointed out at the end of the talk.

研究生院

党委研究生工作部

产业技术研究院

互联网医疗与健康服务河南省协同创新中心

2018年10月9日