报告时间：2024年9月1日（周日）13:30-15:30
报告地点：敏学楼 406 会议室
报告内容简介：
一直以来，贝叶斯网络的结构学习都是机器学习领域的重要的研究课题。其在多种应用中发挥重要作用。然而，现有的结构学习算法效率低、可扩展性差，能够处理的变量规模很小，在实际应用中受到很大的限制。为了解决这一问题，我们从基础理论出发，构建了一种新的面向大规模贝叶斯网络的结构学习方案。该方法在实现高精度、高效率和可扩展性的同时，全面满足了业务需求。其核心思想在于将结构学习转化为一个连续的约束优化问题，从而可以使用可微约束函数来度量生成图的非循环性。该约束函数建立在图的谱半径上，可在接近图顶点的线性时间复杂度下进行计算，并且具有较低的存储开销。根据全面的基准评估，该方法运行速度比目前最好方法快1到2个数量级，并具有相当的准确性，其能够学习得到数十万规模变量的贝叶斯网络。在我们的实际生产环境中，该方法每天执行数千次，并应用于20多个业务场景。我们具体描述了一个在阿里巴巴飞猪售票服务中的具体应用场景，应用该方法构建了一个近实时的自动异常检测和根本错误原因分析系统。我们还发现，该结构学习方法为大规模基因表达数据分析和解释性推荐系统等新领域的应用提供了可能性。
报告人简介：
朱鎔，现为阿里巴巴智能计算实验室研究科学家。同时，他也担任香港中文大学（深圳）兼职企业导师。他分别于2013年和2019年从哈尔滨工业大学获得学士和博士学位。他的研究兴趣包括数据库、机器学习和系统的交叉领域，主要集中于AI4DB方向。他在该领域VLDB, ICDE, TKDE, ICLR等顶级会议和期刊上发表了近30篇论文，并曾在SIGMOD、EDBT和CIKM上做tutorial报告。他先后获得2019年教育部自然科学二等奖、2020年CCF优秀博士论文提名奖和2022年ACM SIGMOD中国新星奖。
诚邀感兴趣的师生参加！
人工智能学院
2024年8月29日
