近日，历时四个月的NeurIPS 2023 Causal Structure Learning from Event Sequences and Prior Knowledge竞赛落下帷幕。在本次竞赛中，由计算机科学与技术学院（上海智能教育研究院）的李明嘉、刘硕、刘元皓、沈君豪同学作为核心成员、钱鸿副教授和周爱民教授作为指导老师组成的XHS（小花狮的缩写）团队荣获第一名，并受比赛组委会邀请在NeurIPS 2023竞赛研讨会上作时长25分钟的口头技术报告。NeurIPS是机器学习领域内最具影响力的国际学术会议之一，被列为CCF-A类会议，与ICML、ICLR并称“机器学习国际三大会议”。

主办方宣布获奖队伍

本次大赛由华为诺亚方舟实验室主办，广东工业大学、浙江大学协办。本赛事旨在解决电信网络故障诊断中的因果结构学习问题，探索真实场景中的因果发现难题，加深对复杂系统的理解。大赛吸引了海内外众多大学、研究机构、公司企业参加。参加初赛的354支队伍中，有28支挺进决赛，最终获奖的队伍共6支，我院团队是唯一冠军队伍，获得3000美元奖励。

NeurIPS 2023基于事件序列和先验知识的因果结构学习竞赛任务

由于社会经济的不断发展和进步，电信网络的规模也在逐渐扩大，成为现代社会基础设施的重要组成部分，这种规模的增长也带来了一系列的挑战，其中最为突出的就是如何有效、高效地进行电信网络的故障诊断。在电信网络中，故障通常通过告警来识别，运维工程师需要通过告警快速定位故障点，来进行高效的故障修复，以避免严重的经济损失和恶劣的社会影响。然而，由于电信网络规模巨大、结构复杂，并且网络中的单个故障可能会触发多个连接设备上各种类型的告警，网络运营商每天可能会收到多达数百万个告警信息，这导致如何快速、准确地定位故障成为了一项巨大的挑战。

XHS队伍在NeurIPS 2023竞赛研讨会上进行技术汇报

比赛数据集分为仿真数据集和真实数据集，XHS团队充分考虑到了仿真数据和真实数据的挑战与区别，有针对性地采取了两种不同的技术路线。针对仿真数据集中存在的可扩展性、有效性、可解释性挑战，团队采用拓扑多元Hawkes过程进行任务建模，提出了基于约束梯度优化的极大似然估计方法进行快速、有效的因果发现。在规模最大的仿真数据集上，该方法仅使用单张3090 GPU即可在10分钟内学到潜在因果结构。针对真实数据集中存在的额外可辨识性、局部与稀疏因果性挑战，团队经过深入分析研究，提出了基于事件树与专家知识的高效黑盒优化方法。值得一提的是，团队的技术报告也获得了大赛组委会的一致认可。

计算机学院（上海智能教育研究院）一直践行卓越育人与卓越科研理念，以多元化的人才培养模式，满足学生的不同需求和发展方向；以学科交叉共融的合作方式，解决有价值的真实问题。