DataFunSummit2023 因果推斷峰會嘉賓PPT合集（共20套打包）

1、DataFunSummit#2023Graph Out-of-Distribution Generalization From a Causal Perspective演講人：隋勇鐸(Yongduo Sui)中國科學技術大學博士生螞蟻集團實習生01Background and Motivation03Causal Attention Learning02Related Studies04Adve。

2、DataFunSummit#2023面向圖數據分布外泛化的因果表示學習陳永強-香港中文大學-博士研究生Yongqiang ChenCUHK,Tencent AI Lab2Towards Causal Representation Learning for Out-of-Distribution Generalization on Graphswith Yatao Bian,Yonggang Zh。

3、探索充分必要因果性probability of sufficient and necessary causes楊夢月倫敦大學學院mengyue.yang.20ucl.ac.uk1 The OOD generalization taskInvariant Learning2TrainTest Invariant causal assumption across source and test di。

4、Graph-based Causal Inference for Health Decision MakingJundong Li,Assistant ProfessorDepartment of Electrical and Computer Engineering Department of Computer Science,and School of Data Science,Univer。

5、Counterfactual No-Harm Criterion:Individual Risk and Trustworthy Policy LearningPeng WuJoint work with Zhi Geng,Yue Liu,Haoxuan Li,and Chunyuan Zheng.Beijing Technology and Business UniversityOctober。

6、DataFunSummitDataFunSummit#20232023Learning Substructure Invariance for Out-of-Distribution Molecular Representations Presented by Nianzu Yang,PhD candidate SJTU-ReThinkLabFormulation:denotes the sup。

7、DataFunSummit#2023因果推斷技術在快手短視頻推薦中的應用演講人-林肖-快手-高級算法專家01快手單列短視頻推薦場景02因果推斷技術與模型表示03觀看時長預估與因果推斷技術04未來的展望目錄 CONTENTDataFunSummit#202301快手單列短視頻推薦場景關于快手 頭部短視頻和直播社區 MAU：6.733 億 DAU：3.760 億 擁抱每一種生活 單列：沉浸式體驗 雙。

8、DataFunDataFun SummitSummit#20232023基于深度學習多實驗因果推斷基于深度學習多實驗因果推斷張任宇張任宇快手經濟學家快手經濟學家香港香港中文大學副教授中文大學副教授OctOct 21,21,20232023張任宇 Philip Zhang三位一體數據科學家/運營管理學青椒:學者+老師+互聯網搬磚工快手經濟學家（2018-）香港中文大學商學院(tenured)副教授。

9、因果性學習初探蔡瑞初數據挖掘與信息檢索實驗室廣東工業大學什么是因果性學習？2 人類是如何學習的？什么是因果性學習人類學習人類學習技能下棋、游戲、駕駛書籍觀察實驗 人類是如何學習的？什么是因果性學習人類學習人類學習機器學習（相關性）技能下棋、游戲、駕駛書籍觀察實驗數據模型 認知：視頻分析、圖像識別 決策：游戲、駕駛相關性學習 人類是如何學習的？什么是因果性學習人類學習人類學習機器學習（相關性）技能。

10、DataFunSummit#2023虎牙實驗科學實踐黃琨 虎牙 數據科學家01虎牙的數據賦能挑戰02實驗文化與平臺能力建設03結合場景服務擴展04總結與回顧目錄CONTENTDataFunSummit#202301虎牙的數據賦能挑戰虎牙是一個內容供給平臺，業務訴求是典型的因果推斷問題內容主播內容對大盤的貢獻如何制定主播激勵目標推薦如何提升用戶冷啟效果如何提升用戶長期價值增長廣告投放拉新拉活的貢獻。

11、因果科學及其工業界落地DataFunSummitDataFunSummit#20232023秦旋-快手-增長算法工程師ContentsWhy CausalData Flow Specification for Causal Inference ImplementationModel SelectionEvaluation and simulationOptimal Problems with L。

12、DataFunSummitDataFunSummit#20232023AB實驗的敏感指標探索蘇揚騰訊游戲IEGG資深數據科學家01什么是敏感代理指標02如何尋找敏感代理指標03敏感代理指標應用案例04總結和展望目錄 CONTENTDataFunSummitDataFunSummit#2023202301什么是敏感代理指標什么是敏感代理指標什么是敏感代理指標做A/B實驗時，我們期望的最終效果是實驗。

13、基于因果推斷的推薦系統高宸清華大學 信息國家研究中心https:/ 2023:因果推斷在線峰會推薦與因果推斷論壇Background2 2 Why is causal inference needed in recommender system?Chen Gao et al.Causal inference in recommender systems:A survey and future d。

14、.Multiply robust estimation of causal effects usinglinked dataShanshan Luo1,Yechi Zhang2,and Wei Li21School of Mathematics and StatisticsBeijing Technology and Business University2Center for Applied 。

15、ZIN:When and How to Learn Invariance withoutDomain PartitionYong LinOctober 18,2023(Yong Lin)ZIN:When and How to Learn Invariance without Domain PartitionOctober 18,20231/24Contents1Learning Invarian。

16、D Da at ta aF Fu un nS Su ummmmi it t#2 20 02 23 3A A/B B實實驗驗中中策策略略長長期期效效果果評評估估方方案案研研究究演講人-溫中卉-騰訊廣告-數據科學家D a t a f u n 分享 演演講講人人介介紹紹溫中卉，北京大學光華管理學院商業分析碩士，現在騰訊廣告數據科學團隊，負責從數據科學角度對廣告系統各鏈路分析與優化，應用實驗設計和因果推。

17、探索圖可解釋性中的分布外泛化問題方俊峰 中國科學技術大學 博士DataFunSummit#2023當前的可解釋評估指標真的“公平”嗎？可解釋算法為何會引入OOD問題？如何實現網絡-數據的聯合解釋？1)避開公式 2)中英混雜2Background3How to define explainability?(1)Miller,Tim.“Explanation in artificial intell。

18、DataFunSummit#2023不同類型實驗在不同類型實驗在搜索場景中的使搜索場景中的使王東星 騰訊 數據產品經理我簡介我簡介 騰訊 PCG 搜索 10+年數據產品 從 0 到 1 搭建搜狗搜索實驗平臺0101ABAB實驗簡介實驗簡介簡單介紹AB實驗及流程0202搜索實驗常見問題搜索實驗常見問題搜索實驗常見的問題及解決法0303各類型搜索實驗介紹各類型搜索實驗介紹搜索常的種類型實驗介紹：普通。

19、DataFunSummit#2023目錄200+IP資產78%+技術研發100%+業務增長九章云極DataCanvas以“創造智能，探索未知”為使命，以“助力全球企業智能升級”為愿景，是中國人工智能基礎軟件領軍者。公司致力通過自主研發的人工智能基礎軟件產品系列和解決方案為用戶提供人工智能基礎服務，助力用戶在數智化轉型中輕松完成模型和數據的雙向賦能，低成本高效率的提升企業決策能力，實現企業級AI規。

20、DataFunSummit#2023洞察AB實驗的地區差異基于騰訊游戲海外實驗的經驗周俊龍騰訊游戲IEGG資深數據科學家01游戲AB實驗地區差異02異質性效果檢驗與拆分03異質性效果理解與預測04總結與展望目錄 CONTENTDataFunSummit#202301游戲AB實驗地區差異現狀實驗效果的地區差異實驗效果的地區差異常AB實驗場景，我們往往關注整體的實驗效果：A組是否B組好。實驗效果的地。