报告题目：多标签场景下的因果特征选择与因果结构学习研究
报告时间：2026年4月3日13:30-14:30
报告地点：软件学院综合楼204会议室
报告人：马琳
报告内容：
随着人工智能与机器学习技术的迅猛发展，多标签学习在文本分析、图像理解以及生物信息学等实际应用中均取得了显著突破。近年来，可解释人工智能与因果推断的深度融合更是将稳健的机器学习推向新的发展浪潮。因果特征选择与因果结构学习是高维多标签数据建模中最为关键的环节，其旨在复杂特征空间下精准识别驱动多个标签生成的关键因果变量，直接决定了多标签分类系统的预测性能与泛化能力，并保证了模型决策的安全可控和因果可解释。
现有数据驱动的传统多标签特征选择算法高度依赖统计相关性或预测损失。随着应用场景愈加复杂，高维数据中无可避免地面临着强标签耦合、路径阻塞以及潜在混杂因素等问题，传统相关性方法难以有效揭示数据真实的生成机制。同时，现有的因果发现算法受限于条件独立性检验的高昂开销及忠实性假设失效，在面对复杂的配偶结构或多层级因果交互时，表现出较大的局限性。因此，如何设计高效、准确的多标签因果特征选择算法，充分挖掘真实因果关联并提升模型在分布变化下的鲁棒性，依然是亟需深入研究的重要课题。
本报告以多标签复杂因果依赖建模为核心，围绕局部配偶结构发现、互信息驱动的马尔可夫毯挖掘、全局可微分因果图建模、混杂因子建模等维度，系统地介绍从局部因果特征选择到全局结构联合学习逐层深入的分析框架，并讨论相关因果方法在复杂真实场景中的应用与挑战。
报告人简介：
马琳，吉林大学计算机科学与技术学院博士研究生，分别于2020年获得吉林大学计算机科学与技术硕士学位，2017年获得吉林大学电子信息科学与技术学士学位。研究方向为因果发现在多标签特征选择与结构学习上的应用。已在IJCAI、TNNLS等国际会议和期刊发表多篇研究论文。多次获得吉林大学优秀研究生、优秀研究生干部、王湘浩助学金等荣誉称号和奖励。
