里卡多@UCL
里卡多·席尔瓦
伦敦大学学院统计科学系
高尔街-伦敦-WC1E 6BT
伦敦大学学院
李嘉图[-at-]stats[dot]ucl[dot]ac[dot4]uk
快速事实:
我是统计机器学习和数据科学教授,
研究因果推理的计算方法
变量模型和关系模型。
个人简历
软件
对象
.
从观测和实验数据中学习的简单方法
使用高斯过程。
MATLAB代码。
CausalFX:利用观测数据进行因果推理的机器学习
.
基于线性规划和贝叶斯推理组合的因果推断方法。
也可从
CRAN(起重机)
.
复制NIPS关于证人保护计划的文件的旧代码
在这里
.
XCOP:树结构连接函数的Dirichlet过程混合
.
具有多元连接函数和缺失数据的贝叶斯推理的MCMC方法。
R/C++代码。
GPSEM:具有潜在变量的高斯过程结构方程模型
.
从后验分布中抽取潜在变量和参数。
MATLAB/C++代码。
XGP:一种新的高斯过程关系分类器
.
使用关系信息的一类新的转导分类器。
MATLAB代码。
dmgBayes:混合图模型中贝叶斯推理软件
.
混合图模型高斯建模的基本功能。
Java代码。
RankSearch:潜在变量模型的贝叶斯结构学习
.
具有相关潜在变量的稀疏因子模型学习。
Java代码。
BuildPureClusters:学习测量隐藏的常见原因
.
一种从数据中建立隐藏共同原因的测量模型的方法,无需事先指定隐藏共同原因。
Tetrad项目的一部分。
手稿(更多信息
谷歌学者
)
北卡罗来纳州科伦坡。;
西尔瓦,R。;
Kang,S.M.和Gretton,A.(2019年)
结构化推理的反事实分布回归
。2019年8月。
洛夫特斯,J。;
罗素,C。;
Kusner,M.和Silva,R.(2018)
算法公平的因果推理
2018年5月。
Regli,J.-B.和Silva,R.(2018)
变分推理的Alpha-Beta发散
2018年5月。
Ng,Y.C.和Silva,R.(2017)
稀疏时态网络的动态边交换模型
2017年10月。
选定的会谈
Silva,R.(2015)。
贝叶斯网络与因果搜索
2015年10月。
在伦敦贝叶斯网络会议上的讲话
[事件]
共同组织的活动
2019年人工智能中的不确定性
,
以色列特拉维夫。
2018年人工智能的不确定性
,
美国加利福尼亚州蒙特利。
来自“如果……会怎么样?”
转到“下一步怎么办?”:
智能决策中的因果推理和机器学习
,
NIPS 2017的一部分,美国长滩。
如果…怎么办?
假设与反事实的推理与学习
复杂系统中的干预
,NIPS 2016的一部分,
西班牙巴塞罗那。
2016年计算统计和机器学习网络研讨会,
“数据科学:将计算统计和机器结合在一起
学习?
"
爱丁堡大学。
2016年UAI研讨会,“因果关系:应用基础”
美国新泽西州泽西市。
2015年计算统计和机器学习网络研讨会,“自主公民:明日社会的算法”
,大学
沃里克。
2015年UAI研讨会,“因果推断进展”
荷兰阿姆斯特丹。
2014年计算统计和机器学习网络研讨会,“大数据,大模型,这是一笔大交易”
沃里克大学。
计算统计和机器学习中心大师班(持续系列)
,大学学院
伦敦。
出版物
惠特克,G.A。;
西尔瓦,R;
Edwards,D.和Kosmidis,I.(2021)
一种确定玩家能力的贝叶斯推理方法
足球
《皇家统计学会期刊C辑》,至
出现。
Bartlett,T。;
Kosmidis,I.和Silva,R.(2021)
时变网络的双向稀疏性及其在基因组学中的应用
《应用统计年鉴》即将出版。
Kilbertus,N。;
Kusner,M.和Silva,R.(2020年)
通用仪器的一类算法
可变模型
神经信息处理系统的进展
33(NeurIPS2020)。
Chilinski,P.和Silva,R.(2020年)
基于累积分布函数的神经可能性
第36届人工不确定性会议记录
情报(UAI2020)。
Saengkyongam,S.和Silva,R.(2020)
从单变量干预中学习联合非线性效应
存在隐藏的混淆因素
.第36届会议记录
人工不确定性会议
情报(UAI2020)。
格尔钦,L。;
Kusner先生。;
Kanade,V.和Silva,R.(2020)
不同原因后门发现
.第23届会议记录
国际人工智能和
统计(AISTATS2020)。
Kilbertus,N。;
鲍尔,P。;
库斯纳,M。;
Weller,A.和Silva,R.(2019年)。
反事实公平对未经衡量的混淆的敏感性
.
第35届人工智能不确定性会议记录(UAI2019)。
【补充】
[代码]
库斯纳,M。;
罗素,C。;
Loftus,J。;
和Silva,R.(2019年)。
做出减少歧视性影响的决策
.
第36届机器学习国际会议论文集,3591-3600(ICML2019)。
Roa-Vicens,J。;
Chtourou,C。;
费洛斯,A。;
Rullan,F。;
Gal,Y.和Silva,R.(2019年)。
极限订单书动力学的逆强化学习
.
第36届机器学习国际会议上的多智能体学习研讨会。
Globerson,A.和Silva,R.(2018)。
第三十四届人工智能不确定性会议记录(UAI2018)
.
AUAI出版社,ISBN 978-0-9966431-3-9。
惠特克,G;
Silva,R.和Edwards,D.(2018年)。
从进攻事件中可视化球队在足球比赛中的进球机会:贝叶斯推理方法
.
大数据6(4),271-290。
Ng,Y.C。;
科伦坡,N.和席尔瓦,R.(2018)。
图高斯过程的贝叶斯半监督学习
.
神经信息处理系统进展(NeurIPS 2018)。
Coutrot,A。;
席尔瓦,R。;
曼利,E。;
德科蒂,W。;
萨米,S。;
博博特,V。;
维纳,J。;
Holscher,C。;
R.C.道尔顿。;
Hornberger,M.和Spiers,H.(2018年)。
导航能力的全球决定因素
《当代生物学》28(17),2861-2866。
Silva,R.和Shimizu,S.(2017年)。
使用结构和
非高斯假设。
机器学习研究杂志18(120):1.492017。
[代码]
罗素,C。;
西尔瓦,R。;
Kusner,M.和Loftus C.(2017)
当世界发生碰撞时:整合
公平中的不同反事实假设。
.
神经信息处理系统进展30。
库斯纳,M。;
洛夫特斯,C。;
Russell,C.和Silva,R.(2017)
反事实公平
.
神经信息处理系统进展30。
[谈话(不是NIPS)]
[《新科学家》第1篇]
[《新科学家》第二篇]
[阿兰·图灵研究所文章]
北卡罗来纳州科伦坡。;
Silva,R.和Kang,S.M.(2017)。
断层扫描术
伦敦地铁:始发地数据的可扩展模型。
神经信息处理系统进展30。
卡莫,R。;
Kang,S.M.和Silva,R.(2017)。
地形-沉积物动力学可视化
众筹项目
第十六届智能数据分析国际研讨会(IDA 2017)。
Eberhardt,F。;
Bareinboim,E。;
Maathuis,M。;
Mooij,J.和Silva,R.编辑。
(2017).
2016年UAI因果关系研讨会会议记录:应用基础。
与第32届人工智能不确定性会议(UAI 2016)联合召开。
美国泽西城,2016年6月29日。
Silva,R.(2016)。
观察-干预前
剂量反应学习
神经信息处理系统进展。
【补充】
[代码]
Ng,Y-C.,Chilinsksi,P.和Silva,R.(2016)。
缩放因子隐马尔可夫模型:
无信息随机变分推理
神经信息处理系统进展。
【补充】
Silva,R.(2016)。
关于“使用不变预测进行因果推断:
Peters、Buhlmann和
明绍森
,JRSS B,78,991-992。
Silva,R.和Evans,R.(2016)。
通过证人保护计划进行因果推断
机器学习研究杂志17(56):1-53,2014年扩展
NIPS纸。
[代码]
西尔瓦,R。;
施皮瑟,I。;
埃文斯,R。;
Peters,J.和Claassen,T.编辑。
(2015).
UAI 2015因果推断进展研讨会会议记录。
与第31届人工智能不确定性会议(UAI 2015)联合召开。
荷兰阿姆斯特丹,2015年7月16日。
Silva,R.和Kalaitzis,A.(2015)。
基于投影的贝叶斯推理
统计与计算25739-753。
[代码即将发布]
[草案]
西尔瓦,R。;
Kang,S.M.和Airoldi,E.M.(2015)。
预测交通量并估计大规模地震的影响
运输系统
美国国家科学院院刊112,5643-5648。
Silva,R.(2015)。
累积分布场中的贝叶斯推断
在波尔波、卢萨达、里福、斯特恩和劳雷托(编辑),
跨学科贝叶斯统计
,第83-95页,
2014年EBEB
斯普林格。
Silva,R.和Evans,R.(2014)。
通过证人保护计划进行因果推断
神经信息处理系统进展。
[代码]
[arXiv]
Silva,R.(2014)。
因果关系
在G.Webb和C.Sammut主编的Springer机器学习和数据挖掘百科全书中
出现(以下是2010年文章的更新)。
[
教程@帝国
学院]
Kalaitzis,A.和Silva,R.(2013)。
无边际分布的离散数据相关性的灵活采样
神经信息处理系统进展。
【补充资料】
Silva,R.(2013)。
学习高斯非循环有向混合图结构的MCMC方法
在Giudici、Ingrassia和Vichi编辑的《数据分析的统计模型》中。
斯普林格。
[草案]
[代码]
Sanborn,A.和Silva,R.(2013)。
限制分析水平之间的桥梁:局部贝叶斯学习的计算理由
.
数学心理学杂志,57,94-106。
【手稿】
Silva,R.(2012)。
结构化典型相关模型的潜在复合似然学习
.
2012年UAI第28届人工智能不确定性会议记录。
【补充资料】
[代码]
[海报]
Silva,R.(2011年)。
减薄测量模型和问卷设计
.
神经信息处理系统进展24,NIPS 2011。
【补充资料】
[代码]
Zhang,J.和Silva,R.(2011)。
关于具有潜在和非循环模型学习等价类的讨论
具有重叠变量的多个数据集中的选择变量。“”
.
第十四届人工智能国际会议记录
情报与统计,AISTATS 2011。
[幻灯片]
西尔瓦,R;
Blundell,C.和Teh,Y.W.(2011年)。
混合累积分销网络
.
第十四届人工智能国际会议记录
情报与统计,AISTATS 2011。
【补充资料】
[代码(即将推出)]
[幻灯片]
Silva,R.(2010)。
因果关系
.
机器学习百科全书。
克劳德·萨穆特(Claude Sammut)编辑,斯普林格·弗拉格(Springer-Verlag)。
国际标准图书编号:978-0387-30768-8
Silva,R.和Gramacy,R.(2010年)。
具有潜在变量的高斯过程结构方程模型
.
第26届人工不确定性会议记录
《情报》,UAI 2010。
[代码]
[幻灯片]
Silva,R.(2010)。
测量潜在的因果结构
.
P.McKay Illari、F.Russo和J.Williamson(编辑),《科学中的因果关系》即将出版。
[草案]
西尔瓦,R。;
海勒,K。;
Ghahramani,Z.和Airoldi,E.(2010年)。
生物和信息网络中使用类比的排序关系
.
《应用统计学年鉴》即将出版。
[arXiv]
Silva,R.和Ghahramani,Z.(2009年)。
潜在变量的隐藏生命:混合图模型的贝叶斯学习
.
《机器学习研究杂志》101187-1238。
[代码]
Sanborn,A.N.和Silva,R.(2009年)。
信念传播与局部贝叶斯学习
.
认知科学学会第31届年会。
Silva,R.和Gramacy,R.(2009年)。
Copula贝叶斯混合的MCMC方法
.
人工智能与统计,AISTATS 2009。
[代码]
Silva,R.和Ghahramani,Z.(2009年)。
高斯因子混合与边际独立模型
.
人工智能与统计,AISTATS 2009。
[代码]
西尔瓦,R。;
Chu,W.和Ghahramani,Z.(2007年)。
关系学习中的隐性共因关系
.
神经信息处理系统,NIPS 2007。
[代码]
[数据]
[海报]
西尔瓦,R。;
Heller,K.和Ghahramani,Z.(2007年)。
基于关系贝叶斯集的类比推理
.
第十一届国际人工智能和统计会议,AISTATS 2007。
Silva,R.和Scheines,R.(2006)。
具有隐藏变量的关联规则
.
第十届欧洲原则与实践会议记录
数据库中的知识发现,PKDD 2006。
Silva,R.和Ghahramani,Z.(2006年)。
高斯混合图模型的贝叶斯推断
.
第22届人工不确定性会议记录
情报,UAI 2006。
[代码]
Silva,R.和Scheines,R.(2006)。
测量和结构模型的贝叶斯学习
.
第23届国际机器学习大会论文集,ICML 2006。
[代码]
西尔瓦,R。;
Scheines,R。;
Glymour,C.和Spites,P.(2006)。
学习线性潜在变量模型的结构
.
机器学习研究杂志7(2月):191--2462006。
[代码]
Silva,R.和Scheines,R.(2005)。
新建
学习连续潜变量的d-分离识别结果
模型
国际机器学习会议论文集,
ICML 05。
技术报告版本
.
西尔瓦,R。;
Zhang,J.和Shanahan,J.G.(2005)。
概率工作流挖掘
.
知识发现和数据挖掘学报,KDD 05。
技术
报告版本
.
Silva,R.(2005)。
潜在变量模型的自动发现
.博士论文。
卡内基机器学习部
梅隆大学。
西尔瓦,R。;
Scheines,R。;
Glymour,C.和Spires P.(2003)“
学习
未观测变量的测量模型
“.诉讼
第19届人工智能不确定性会议。
穆迪,J。;
西尔瓦,R。;
Vanderwaart,J。;
Ramsey,J.和Glymour,C.(2002年)。
光谱的分类和过滤:中的一个案例研究
矿物学
智能数据分析6(6),517-530。
穆迪,J。;
西尔瓦,R。;
Vanderwaart,J.和Glymour,C.(2001)。
"
数据
基于反射光谱的岩石自动分类滤波
".
第七届ACM SIGKDD知识发现和
数据挖掘,第347-352页。
ACM出版社,加利福尼亚州旧金山
Silva,R.B.A.和Ludermir,T.B.(2001)。
“
混合的
局部基函数系统
”.
智能数据分析5
(3), 227-244
Silva,R.B.A.和Ludermir,T.B.(2000)。
“
获得
混合学习简化规则
”.
第十七届国际会议记录
机器学习会议,879-886。
Morgan Kaufmann,旧金山,
加利福尼亚州
其他出版物/报告
上次修改日期:2020年12月9日