近日，2022级硕士生朱华（导师黄宏副教授）的论文“CausalNET: Unveiling Causal Structures on Event Sequences by Topology-Informed Causal Attention ”被第33届国际人工智能联合会议（The 33^th International Joint Conference on Artificial Intelligence，IJCAI 2024）录用。

事件序列上的因果发现在医疗、金融和工业系统等领域都具有重要意义，其关键在于揭示事件之间的因果结构，并通常以有向无环图（Directed Acyclic Graph，DAG）的形式呈现。然而，现有的方法常受限于不合理的假设、不灵活的模型架构，以及由于低效的因果图优化策略而导致的可拓展性问题。为了应对这些挑战，文章针对事件序列提出了一个新的因果发现模型：CausalNET。该模型的核心是一个基于Transformer架构的特殊模块，它通过利用历史事件来预测未来事件，并将因果图嵌入到注意力机制中以增强预测能力。此外，文章还设计了一个因果衰减矩阵，以更好地建模事件之间的相互影响。在训练过程中，文章提出交替地优化事件预测模型和微调因果图，让模型在学习事件预测的同时，理解事件之间的因果关系。在一系列真实和合成数据集上的实验结果验证了CausalNET的卓越性能和可拓展性，为因果发现领域的研究提供了重要参考。具体而言，CausalNET在两个真实数据集上的F1-score提升均超过10%，并能够处理100个节点以上的因果图。

IJCAI是人工智能领域的顶级学术会议之一，属于中国计算机学会（CCF）推荐的人工智能领域A类会议，该会议近年来平均录用率约为14.5%。

（通讯员：朱华）