Уважаеми колеги, заповядайте на отворената лекция на доц. Елена Желева от Университета на Илинойс в Чикаго (University of Illinois Chicago) на 10.7 от 11.00ч. в зала 113 (голямата зала) на УНИТе.
Доц. Желева ще бъде гост-изследовател в УНИТе през м. Юли 2026 г. и се канят всички заинтересовани колеги, студенти, докторанти, преподаватели и изследователи.
Заглавие: Причинно-следствен анализ в мрежови данни
Анотация: Основната цел на причинно-следствения анализ е да определи как биха се променили резултатите при различни интервенции. За разлика от традиционното машинно обучение, което е насочено към предсказване, причинно-следственият анализ оценява ефектите от действия, политики и интервенции, като по този начин подпомага вземането на информирани решения. Разбирането на причинно-следствените връзки е от ключово значение за приложения в общественото здраве, социалните медии, препоръчващите системи и научните изследвания. С навлизането на изкуствения интелект във все повече области на живота причинно-следственото мислене се превръща в основен елемент за изграждането на надеждни, обясними и справедливи AI системи, способни да разсъждават за интервенции и алтернативни сценарии.
В тази лекция ще направя кратък преглед на основните идеи в причинно-следствения анализ и ще разгледам предизвикателствата, които възникват при анализа на реални системи с релационна и мрежова структура. Ще представя нови методи за откриване на причинно-следствени зависимости в релационни системи, както и подходи за оценяване на хетерогенни ефекти от интервенции в мрежи, които позволяват да се идентифицират индивидите и общностите, извличащи най-голяма полза от дадена интервенция. Тези разработки разширяват възможностите на причинно-следствения анализ в сложни взаимосвързани системи и ни доближават до AI системи, които могат да разбират не само корелациите, но и причинно-следствените връзки.
Кратка биография: Доц. Елена Желева е преподавател по информатика в Университета на Илинойс в Чикаго (University of Illinois Chicago). Нейните научни изследвания обхващат причинно-следствен анализ, машинно обучение, препоръчващи системи, анализ на социални мрежи и защита на личните данни, като резултатите ѝ са публикувани в престижни научни форуми като AAAI, KDD, ICLR и The Web Conference. Тя е носител на множество научноизследователски отличия от федерални агенции и индустрията, включително наградата NSF CAREER и Adobe Data Science Research Award. Наред с научната си дейност, тя е била асоцииран редактор на списанието ACM Transactions on Intelligent Systems and Technology и на списанието Data Mining and Knowledge Discovery. Доц. Желева има дългогодишен опит като специалист по анализ на данни и в индустрията, където е работила върху мащабни препоръчващи системи и технологии за персонализация. Може да научите повече за нея на страницата й: https://www.cs.uic.edu/~elena/.
Title: Causal inference from network data
Abstract: The central goal of causal inference is to determine how outcomes would change under alternative interventions. Unlike traditional machine learning, which focuses on prediction, causal inference estimates the effects of actions, policies, and treatments, enabling informed decision-making. Understanding causality is critical for applications ranging from public health and social media to recommendation systems and scientific discovery. As artificial intelligence systems increasingly interact with and influence the world, causal reasoning has become essential for building AI systems that are robust, interpretable, fair, and capable of reasoning about interventions and counterfactuals.
In this talk, I will provide a brief introduction to causal inference and discuss the unique challenges that arise in real-world systems that are inherently relational and networked. I will present new methods for causal discovery in relational systems, as well as approaches for estimating heterogeneous treatment effects in networks, enabling the identification of individuals and communities that benefit most from interventions. Together, these advances extend causal reasoning to complex interconnected systems and bring us closer to AI systems that can reason not only about correlations, but also about cause-and-effect relationships.
Bio: Elena Zheleva is an associate professor of Computer Science at the University of Illinois Chicago (UIC). Her research spans causal inference, machine learning, recommender systems, social network analysis, and privacy, with publications in premier venues such as AAAI, KDD, ICLR, and The Web Conference. She has received numerous research awards from both federal agencies and industry, including the NSF CAREER Award and the Adobe Data Science Research Award. In addition to her research contributions, she has served as an Associate Editor for ACM Transactions on Intelligent Systems and Technology and Data Mining and Knowledge Discovery. Dr. Zheleva also brings extensive industry experience as a data scientist, having worked on large-scale recommender systems and personalization technologies. More information is available on her website: https://www.cs.uic.edu/~elena/.