Elias Bareinboim - 版本历史

是趣木木呀：/* 编者推荐 */

2022-07-11T14:11:08Z

编者推荐

2022年7月11日 (一) 08:22 是趣木木呀

2022-07-11T08:22:38Z

是趣木木呀：/* 相关链接 */

2022-07-10T08:14:33Z

我是猫：/* 获奖经历 */

2022-06-15T11:29:03Z

获奖经历

2022年6月15日 (三) 09:29 我是猫

2022-06-15T09:29:20Z

是趣木木呀：/* 主要文章及著作 */

2022-06-13T13:38:58Z

主要文章及著作

2022年6月13日 (一) 13:33 是趣木木呀

2022-06-13T13:33:49Z

2022年6月13日 (一) 13:18 是趣木木呀

2022-06-13T13:18:25Z

LFZ：/* 2018: */

2022-04-30T16:28:21Z

2018:

2022年4月30日 (六) 16:18 LFZ

2022-04-30T16:18:35Z

@@ 第624行： / 第624行： @@
 * 共同主办 2016 UAI Workshop on Causation: Foundation to Application [http://people.hss.caltech.edu/~fde/UAI2016WS/ 链接].
-== 相关链接 ==
+== 编者推荐 ==
 [https://causalai.net/ 个人主页]
@@ 第630行： / 第632行： @@
 [https://scholar.google.com/citations?user=r5U-D7YAAAAJ Google Scholar]
 ===集智学园课程推荐===
@@ 第656行： / 第656行： @@
 [https://mp.weixin.qq.com/s/ZOUeF_HEFneYVi2BPe8LFg 因果观念新革命？万字长文，解读复杂系统背后的暗因果]
 ===相关路径===
 *[https://pattern.swarma.org/article/79 面向复杂系统的人工智能读书会论文列表 | 集智斑图 (swarma.org)]
@@ 第663行： / 第661行： @@
 *[https://pattern.swarma.org/path?id=9 因果推断方法概述],这个路径对因果在哲学方面的探讨，以及因果在机器学习方面应用的分析。
 *[https://pattern.swarma.org/path?id=90 因果科学和 Causal AI入门路径]，这条路径解释了因果科学是什么以及它的发展脉络。此路径将分为三个部分进行展开，第一部分是因果科学的基本定义及其哲学基础，第二部分是统计领域中的因果推断，第三个部分是机器学习中的因果（Causal AI）。

@@ 第632行： / 第632行： @@
 == 编者推荐 ==
 *[https://campus.swarma.org/course/1798 因果科学与 Causal AI 系列读书会]
 图灵奖得主朱迪亚·珀尔教授认为，当下正在进行一场改变数据科学的新革命 ”因果革命“。它以科学为中心，涉及从数据到政策、可解释性、机制的泛化，再到一些社会科学中的归因和公平性问题，甚至哲学中的创造性和自由意志 。本季读书会以Elements of Causal Inference一书为线索，主要展现因果科学在机器学习各个方向上的影响，包括强化学习、迁移学习、表示学习等等，并分享在工业界的部分应用成果。本季读书会梳理了因果科学的核心内容，理解它如何改变数据科学，助力 AI 系统超越曲线拟合和获得回答因果问题的能力。
@@ 第645行： / 第646行： @@
 ===文章推荐===
 [https://swarma.org/?p=33119 推荐系统中的因果学习：基础、估计、预测和挑战]
 [https://mp.weixin.qq.com/s/mOdTI0gR9rsRyX4fz3mYNA 因果科学入门读什么书？Y. Bengio博士候选人的研读路径推荐]
 [https://mp.weixin.qq.com/s/TtYsTyyGEX7U1ZOSl-lsPw 前沿综述：因果推断与因果性学习研究进展]
 [https://mp.weixin.qq.com/s/pRgLZFJpbgmAyI7LgOnHug 历时3个月，全球32位讲者，共同讲述因果科学与Causal AI的全景框架！]
 [https://mp.weixin.qq.com/s/l-05jRYabGI-JoXedU-PLA 因果科学：连接统计学、机器学习与自动推理的新兴交叉领域]
@@ 第668行： / 第659行： @@
 [https://mp.weixin.qq.com/s/dVxgHcQAz_VjT-HDa2fXgg 周晓华：因果推断的数学基础和在医学中的应用]
 ===相关路径===
 *[https://pattern.swarma.org/path?id=99 因果科学与Casual AI读书会必读参考文献列表]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
 *[https://pattern.swarma.org/path?id=9 因果推断方法概述],这个路径对因果在哲学方面的探讨，以及因果在机器学习方面应用的分析。
 *[https://pattern.swarma.org/path?id=90 因果科学和 Causal AI入门路径]，这条路径解释了因果科学是什么以及它的发展脉络。此路径将分为三个部分进行展开，第一部分是因果科学的基本定义及其哲学基础，第二部分是统计领域中的因果推断，第三个部分是机器学习中的因果（Causal AI）。
 *[https://pattern.swarma.org/path?id=114 因果纠缠集智年会——因果推荐系统分论坛]关于因果推荐系统的参考文献和主要嘉宾介绍，来源是集智俱乐部的因果纠缠年会。

←上一版本		2022年7月10日 (日) 08:14的版本
第630行：		第630行：

	[https://scholar.google.com/citations?user=r5U-D7YAAAAJ Google Scholar]		[https://scholar.google.com/citations?user=r5U-D7YAAAAJ Google Scholar]
		+
		+	== 编者推荐 ==
		+
		+
		+	===集智学园课程推荐===
		+	*[https://campus.swarma.org/course/1798 因果科学与 Causal AI 系列读书会]
		+	图灵奖得主朱迪亚·珀尔教授认为，当下正在进行一场改变数据科学的新革命 ”因果革命“。它以科学为中心，涉及从数据到政策、可解释性、机制的泛化，再到一些社会科学中的归因和公平性问题，甚至哲学中的创造性和自由意志。本季读书会以Elements of Causal Inference一书为线索，主要展现因果科学在机器学习各个方向上的影响，包括强化学习、迁移学习、表示学习等等，并分享在工业界的部分应用成果。本季读书会梳理了因果科学的核心内容，理解它如何改变数据科学，助力 AI 系统超越曲线拟合和获得回答因果问题的能力。
		+	*[https://campus.swarma.org/course/2460 因果科学与Causal AI读书会第二季]
		+	因果推断与机器学习领域的结合已经吸引了越来越多来自学界业界的关注。第一季读书会主要关注了因果科学在机器学习方向上的前沿应用，为深入探讨、普及推广因果科学议题，第二季读书会着力于实操性、基础性，带领大家精读因果科学方向两本非常受广泛认可的入门教材：Causal inference in statistics: A primer和Elements of causal inference: foundations and learning algorithms。读书会以直播讨论为主，结合习题交流、夜谈、编程实践、前沿讲座等多类型内容，主要面向有机器学习背景、希望深入学习因果科学基础知识和重要模型方法、寻求解决相关研究问题的研究人员。
		+	*[https://campus.swarma.org/course/3527 因果科学读书会第三季：因果+X]
		+	“因果”并不是一个新概念，而是一个已经在多个学科中使用了数十年的分析技术。通过前两季的分享，我们主要梳理了因果科学在计算机领域的前沿进展。如要融会贯通，我们需要回顾数十年来在社会学、经济学、医学、生物学等多个领域中，都是使用了什么样的因果模型、以什么样的范式、解决了什么样的问题。我们还要尝试进行对比和创新，看能否以现在的眼光，用其他的模型，为这些研究提供新的解决思路。
		+
		+	“因果+X”就是要让因果真正地应用于我们的科学研究中，不管你是来自计算机、数理统计领域，还是社会学、经济学、管理学领域，还是医学、生物学领域，我们希望共同探究出因果研究的范式，真正解决因果的多学科应用问题，乃至解决工业界的问题。
		+	===文章推荐===
		+	[https://swarma.org/?p=33119 推荐系统中的因果学习：基础、估计、预测和挑战]
		+
		+	[https://swarma.org/?p=28539 丁鹏：多角度回顾因果推断的模型方法]
		+
		+	[https://swarma.org/?p=28989 一作解读DeepMind最新论文：连接图神经网络与结构因果模型丨周五直播]
		+
		+	[https://swarma.org/?p=34329 福利 \| 因果推断会是下一个AI热潮吗？Judea Pearl《因果论》重磅上市！]
		+
		+	[https://mp.weixin.qq.com/s/mOdTI0gR9rsRyX4fz3mYNA 因果科学入门读什么书？Y. Bengio博士候选人的研读路径推荐]
		+
		+	[https://mp.weixin.qq.com/s/TtYsTyyGEX7U1ZOSl-lsPw 前沿综述：因果推断与因果性学习研究进展]
		+
		+	[https://mp.weixin.qq.com/s/W6PIE211TavEgg_s3adDdg 因果表征学习最新综述：连接因果科学和机器学习的桥梁]
		+
		+	[https://mp.weixin.qq.com/s/pRgLZFJpbgmAyI7LgOnHug 历时3个月，全球32位讲者，共同讲述因果科学与Causal AI的全景框架！]
		+
		+	[https://mp.weixin.qq.com/s/f-rI5W6tc6qOzthbzK4oAw 崔鹏：稳定学习——挖掘因果推理和机器学习的共同基础]
		+
		+	[https://mp.weixin.qq.com/s/l-05jRYabGI-JoXedU-PLA 因果科学：连接统计学、机器学习与自动推理的新兴交叉领域]
		+
		+	[https://mp.weixin.qq.com/s/ZOUeF_HEFneYVi2BPe8LFg 因果观念新革命？万字长文，解读复杂系统背后的暗因果]
		+
		+	[https://mp.weixin.qq.com/s/dVxgHcQAz_VjT-HDa2fXgg 周晓华：因果推断的数学基础和在医学中的应用]
		+	===相关路径===
		+	*[https://pattern.swarma.org/path?id=99 因果科学与Casual AI读书会必读参考文献列表]，这个是根据读书会中解读的论文，做的一个分类和筛选，方便大家梳理整个框架和内容。
		+	*[https://pattern.swarma.org/path?id=9 因果推断方法概述],这个路径对因果在哲学方面的探讨，以及因果在机器学习方面应用的分析。
		+	*[https://pattern.swarma.org/path?id=90 因果科学和 Causal AI入门路径]，这条路径解释了因果科学是什么以及它的发展脉络。此路径将分为三个部分进行展开，第一部分是因果科学的基本定义及其哲学基础，第二部分是统计领域中的因果推断，第三个部分是机器学习中的因果（Causal AI）。
		+	*[https://pattern.swarma.org/path?id=114 因果纠缠集智年会——因果推荐系统分论坛]关于因果推荐系统的参考文献和主要嘉宾介绍，来源是集智俱乐部的因果纠缠年会。

@@ 第129行： / 第129行： @@
 • 2014 AAAI Outstanding Paper Award (1 out of 1406 papers).
 • 2014 UCLA Outstanding Graduating PhD Student (commencement award), Computer Science.
 • 2014 Google Outstanding Graduate Research Award, Computer Science, UCLA.
 • 2014 Dan David Scholar, Future Dimension: Artificial Intelligence ($15,000), Dan David Foundation.
 • 2013 UCLA Dissertation Year Fellowship (DYF) (~$35,000).
 • 2012 Yahoo! Key Scientific Challenges Award, area Machine Learning & Statistics ($5,000).
 • 2008 UCLA Ph.D.’s Fellowship (~$45,000).
 • 2008 Top 10 award – National contest of M.Sc. thesis (2007), Brazilian Computer Society.
 • 2008-2012 Ph.D.’s Fellowship, Fulbright – U.S. Dep. of State / CAPES-MEC, declined.
 • 2003-2007 Undergraduate’s and Master’s Fellowships, Brazilian Research Council CNPq.
 == 主要文章及著作 ==

@@ 第33行： / 第33行： @@
 == 教育经历 ==
 • Ph.D. in Computer Science – University of California, Los Angeles (UCLA), 2014. Title: Generalizability in Causal Inference: Theory and Algorithms. Advisor: Judea Pearl.
 • B.Sc., M.Sc. in Computer Science – Federal University of Rio de Janeiro (UFRJ), 2007. Title: Descents and nodal load in scale-free networks. Advisor: Valmir C. Barbosa.
 == 学术职位 ==
 Associate Professor, Computer Science, Columbia University, Summer/2019-now.
 • Director, Causal Artificial Intelligence Laboratory. • Member, Data Science Institute.
 • Member, Program for Mathematical Genomics (since 2022).
 • Assistant Professor, Computer Science, Purdue University, Fall/2015-Spring/2019.
 • Director, Causal Artificial Intelligence Laboratory.
 Assistant Professor, courtesy appointment, Statistics.
 • Faculty Affiliate, Regenstrief Center for Healthcare Engineering.
 Postdoctoral Scholar, Cognitive Systems Lab/UCLA, Judea Pearl, Fall/2014-Summer/2015.
 Research Assistant, Cognitive Systems Lab/UCLA, Judea Pearl, Fall/2009-Summer/2014.
 == 获奖经历 ==
@@ 第59行： / 第83行： @@
 • 2022 ONR Young Investigator Award.
 • 2021 JP Morgan Faculty Research Award (gift, $120,000).
 • 2020 Amazon Research Award (gift, $90,000).
 • 2019 UAI Best Paper Award (1 out of 450 papers).
 • 2018 NSF Faculty Early Career Development (CAREER) Award. • 2018 Adobe Data Science Research Award (gift, $50,000).
 • 2018 UAI Best Student Paper Award (1 out of 337 papers).
 • 2018 AAAI Outstanding Paper Award Honorable Mention (2 out of 3800 papers).
 • 2017 IBM Open Collaborative Award (gift, $50,000).
 • 2016 IEEE AI’s 10 to Watch, Intelligent Systems.
 • 2015 ACM Notable Paper, 19th Annual Best of Computing, Computing Reviews.
 • 2014 UCLA Edward K. Rice Outstanding Doctoral Student Award (given to a single PhD student in all engineering and applied sciences majors), School of Engineering and Applied Sciences, UCLA.
 • 2014 AAAI Outstanding Paper Award (1 out of 1406 papers).

@@ 第102行： / 第102行： @@
 == 主要文章及著作 ==
 Bareinboim的研究主要关注因果推断和其在健康与社会科学、人工智能、机器学习方向的应用。他的研究特别关注如何在异构和有偏的数据中得出稳健、可泛化的因果和反事实结论，这其中包括了混淆偏差、选择偏差和可迁移性问题。他的工作为数据融合问题提出了第一个通用解决方案，为组合在不同实验条件下生成并受到各种偏差困扰的数据集提供了实用的方法。最近，Bareinboim 一直在探索因果推理与决策（包括强化学习）和可解释性（包括公平性分析）的交叉点。 Bareinboim 获得了博士学位。来自加州大学洛杉矶分校，在那里他得到了 Judea Pearl 的建议。
 === 2021 ===

@@ 第30行： / 第30行： @@
 Bareinboim是哥伦比亚大学计算机系副教授、因果人工智能实验室主任。他曾在加利福尼亚大学洛杉矶分校获得计算机科学博士学位，导师为朱迪亚·珀尔教授。他的研究兴趣包括人工智能、机器学习、统计学、机器人科学、认知科学和科学哲学。
 == 获奖经历 ==
 Bareinboim于2016年被 IEEE 评为“人工智能十大新星”之一，并获得 NSF CAREER Award、ONR Young Investigator Award、Dan David Prize Scholarship、AAAI 2014优秀论文奖和UAI 2019最佳论文奖。
 == 主要文章及著作 ==

@@ 第1行： / 第1行： @@
 == 基本信息 ==
-[[文件:Elias Bareinboim.jpg|450px|缩略图|左|Elias Bareinboim]]
+[[文件:Elias Bareinboim.jpg|317x317px|缩略图|左|Elias Bareinboim]]
 {| class="wikitable"
 |-
@@ 第21行： / 第21行： @@
 |-
 | 个人主页 || https://causalai.net/
 |}
-埃利亚斯·巴伦博伊姆是哥伦比亚大学计算机系副教授、因果人工智能实验室主任。他曾在加利福尼亚大学洛杉矶分校获得计算机科学博士学位，导师为朱迪亚·珀尔教授。他的研究兴趣包括人工智能、机器学习、统计学、机器人科学、认知科学和科学哲学。
+Bareinboim是哥伦比亚大学计算机系副教授、因果人工智能实验室主任。他曾在加利福尼亚大学洛杉矶分校获得计算机科学博士学位，导师为朱迪亚·珀尔教授。他的研究兴趣包括人工智能、机器学习、统计学、机器人科学、认知科学和科学哲学。
 == 获奖经历 ==
-埃利亚斯·巴伦博伊姆于2016年被 IEEE 评为“人工智能十大新星”之一，并获得 NSF CAREER Award、ONR Young Investigator Award、Dan David Prize Scholarship、AAAI 2014优秀论文奖和UAI 2019最佳论文奖。
+Bareinboim于2016年被 IEEE 评为“人工智能十大新星”之一，并获得 NSF CAREER Award、ONR Young Investigator Award、Dan David Prize Scholarship、AAAI 2014优秀论文奖和UAI 2019最佳论文奖。
 == 主要文章及著作 ==
-他的研究主要关注因果推断和其在健康与社会科学、人工智能、机器学习方向的应用。他的研究特别关注如何在异构和有偏的数据中得出稳健、可泛化的因果和反事实结论，这其中包括了混淆偏差、选择偏差和可迁移性问题。他的工作为数据融合问题提出了第一个通用解决方案，可以组合在不同实验条件、不同偏差下生成的数据集。
+Bareinboim的研究主要关注因果推断和其在健康与社会科学、人工智能、机器学习方向的应用。他的研究特别关注如何在异构和有偏的数据中得出稳健、可泛化的因果和反事实结论，这其中包括了混淆偏差、选择偏差和可迁移性问题。他的工作为数据融合问题提出了第一个通用解决方案，为组合在不同实验条件下生成并受到各种偏差困扰的数据集提供了实用的方法。最近，Bareinboim 一直在探索因果推理与决策（包括强化学习）和可解释性（包括公平性分析）的交叉点。 Bareinboim 获得了博士学位。来自加州大学洛杉矶分校，在那里他得到了 Judea Pearl 的建议。
 === 2021 ===

@@ 第358行： / 第358行： @@
 ''Columbia CausalAI Laboratory, Technical Report (R-38)'', Nov, 2018.
-=== 2018: ===
+=== 2018 ===
 '''Equality of Opportunity in Classification: A Causal Approach'''