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。

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