CAA會(huì )士面對面系列活動(dòng)是中國自動(dòng)化學(xué)會(huì )為學(xué)會(huì )會(huì )士量身打造的高端學(xué)術(shù)交流平臺,每期活動(dòng)邀請1位或數位學(xué)會(huì )會(huì )士進(jìn)行專(zhuān)題報告,圍繞國際科技熱點(diǎn),聚焦國家創(chuàng )新發(fā)展戰略需求,前瞻學(xué)科領(lǐng)域發(fā)展新方向,積極發(fā)揮學(xué)術(shù)引領(lǐng)和科技智庫作用,展現重大學(xué)術(shù)咨詢(xún)研究成果,引導社會(huì )尊崇科學(xué)思想和方法,促進(jìn)公眾提升科學(xué)意識和素養。
2024年第4期,總第二十六期“會(huì )士面對面”講座于6月24日成功召開(kāi),中國自動(dòng)化學(xué)會(huì )會(huì )士、浙江大學(xué)/華東交通大學(xué)趙春暉教授作題為“混合異構時(shí)序數據的信息不對稱(chēng)問(wèn)題與任務(wù)導向的通用模型研究——從因果分析說(shuō)起”的報告。
浙江大學(xué)/華東交通大學(xué)趙春暉教授作報告
工業(yè)界的測量數據大部分為時(shí)序數據。其中,混合時(shí)序數據(包含離散變量和連續變量的時(shí)間序列數據)的時(shí)序因果挖掘是新興且極具挑戰的任務(wù)。由于離散變量和連續變量信息粒度和分布類(lèi)型的不一致,導致混合變量的因果關(guān)系挖掘存在信息不對稱(chēng)問(wèn)題,不可避免地阻礙了主流因果挖掘方法在混合時(shí)序數據中的適用性。針對典型混合變量場(chǎng)景下的時(shí)序因果關(guān)系挖掘任務(wù)及其關(guān)鍵的信息不對稱(chēng)問(wèn)題
趙老師在報告中首先揭示了離散觀(guān)測變量的隱連續性機制,離散變量背后的潛在連續變量包含更細粒度的信息,并與所觀(guān)測到的連續變量相互作用;通過(guò)利用這些相互作用關(guān)系建立起信息傳遞的監督任務(wù),可以恢復離散變量的潛在連續性。受此認知啟發(fā),趙老師介紹了在連續變量的監督下,自適應地恢復離散變量的潛在連續性,并在共同的連續值空間中挖掘顯著(zhù)的因果關(guān)系;此外,結合稀疏輸入神經(jīng)網(wǎng)絡(luò )的深度優(yōu)化技術(shù),趙老師團隊研究可以實(shí)現高維場(chǎng)景下的非線(xiàn)性時(shí)序因果關(guān)系挖掘。所提出方法在格蘭杰因果推斷領(lǐng)域的16個(gè)子數據集上進(jìn)行了驗證,精度達到SOTA。最后趙老師介紹了研究工作曾獲華為火花價(jià)值獎。在該研究基礎上,團隊的后續工作基于潛在連續性的認知,提出了首個(gè)混合時(shí)間序列的通用模型,為時(shí)序分類(lèi),外生回歸、長(cháng)期預測、短期預測、缺失填補、異常檢測六大時(shí)序建模任務(wù)設計了針對性的下游網(wǎng)絡(luò )結構和模型優(yōu)化方案,并使得下游任務(wù)的優(yōu)化與潛在連續性恢復相輔相成,實(shí)現了任務(wù)導向的隱連續性恢復。
清華大學(xué)助理研究員楊赟杰擔任主持人
本次活動(dòng)由清華大學(xué)助理研究員楊赟杰主持,通過(guò)騰訊會(huì )議、CAA會(huì )議小程序、CAA官方視頻號、學(xué)會(huì )微博官方賬號、B站、科界、蔻享、抖音等平臺全程直播,共計3萬(wàn)余人次在線(xiàn)觀(guān)看直播。
來(lái)源:中國自動(dòng)化學(xué)會(huì )