陈曦
今天的日记分成三个部分，第一部分是被邀请嘉宾做的presentation，第二部分是下午听的一场session。
第一部分：Causal Modeling and Machine Learning 因果建模和机器学习
关于嘉宾的信息可见以下链接：
http://cse.seu.edu.cn/pricai18/keynote_invited_speakers.html
因果关系和相关：
Simpson悖论：看左图（根据年龄划分）可知，多做运动可以降低胆固醇。而整体看，两者成正比。
“奇怪的”相关：可能女性学生更聪明。
以下游戏中，第一选择initial choice是随机选择的，但是第二次选择是存在新的已知条件的（B门后面没有钱），此时产生了新的因果关系。
预测、干扰或反事实的三种情况：
识别原因：随机控制所有实验（黄金法则），其他因素fixed只研究控制变量。
人为干扰判断是否存在因果关系，例如巴士到站的时间和小明出门的时间。
第一，确保条件独立限制。第二，因果马尔科夫链和可信的假设faithfulness assumption。
考古数据上的应用：
利用公式建模因果结构：
因果对称的结构（用线性表示，噪声是高斯分布或者规格一致的分布）：
在香港股票市场上的应用：
后非线性因果模型（PNL模型）：
定义两个变量的情况：
在时间序列中的情况：时间延长的因果和瞬时的关系，在下采样和临时采集数据中找到因果关系，从部分可观察的时间序列中。
下采样的方法：系统采样或者是求平均。
不平稳的时间序列，不同情况下的多种数据集。
有一些隐含的我们不知道的成因：
知道结果的化，可以得到更多的信息。比如看到人的影子可以推断出这个人的姿态，光源方向以及与人的远近。
已知结果推断该结果下，原因发生的概率：
第二部分： 14：00 ~ 15：40 Information retrieval and extraction
第一场：Social collaborative filtering ensemble 社会协同过滤集成
对于推荐系统的简单介绍以及常用的方法：collaborative filtering（CF）协同过滤。他们整合了多个协同过滤方法的优点，提出了协同过滤系统。
其中最常见的问题是数据稀疏性data sparsity和冷启动cold start的问题，因而解决这样的问题很重要。社交推荐是减轻数据稀疏性问题的一个很好的方法。总结了一下协同过滤和社交推荐的方法：
他们提出的方法：
重点是loss function的定义，如下图所示：
解决冷启动的问题：
多种经典方法和作者提出的方法进行对比实验：
这里的衡量标准是RMSE和MAE，证明他们的mapping方法可以很好地解决冷启动的问题：
第二场：HAVAE：Learning prosodic-enhanced representation of rap lyrics HAVEA:说唱歌词的学习韵律增强表现
说唱Rap的歌词比较没有规律，自由。本文提出的垂直注意力变化性自编码网络：
仔细看转成词向量的方法rhyme2vec：
特征聚合的方法：
做了两件事，第一件就是下一行歌词的预测：
第二，就是做分类：
总结：
第三场：Fusing semantic prior based deep hashing method for fuzzy image retrieval 基于先验的深度哈希情感融合方法的模糊图像检索
他们做了什么：
方法的框架：
objective function是什么：
实验结果：
