Le colloque explorera des sujets liés à, mais non limités à :

• La découverte causale ;
• Apprentissage causal et problèmes de contrôle ;
• Fondements théoriques de l'inférence causale ;
• Inférence causale et apprentissage actif ;
• Apprentissage causal en régime de basses données ;
• Apprentissage par renforcement ;
• Apprentissage automatique causal ;
• Modèles génératifs causaux ;
• Benchmark pour la découverte causale et le raisonnement causal.

Ce colloque accueillera plusieurs orateurs de premier plan, notamment Antoine Chambaz, Eric Gaussier, Yingzhen Li, Elina Robeva, Chandler Squires, Bin Yu et bien d'autres.

En outre, nous invitons des sessions de posters sur tous les aspects de la causalité.

Nous autorisons les soumissions de résumés. Toutes les soumissions doivent être en anglais, au format PDF et au format ACM à deux colonnes. Des modèles LaTeX et Word appropriés sont disponibles sur le site Web de l'ACM : https://www.acm.org/publications/proceedings-template.

Les auteurs doivent soumettre leurs résumés via Easy Chair. Veuillez noter que les auteurs sont encouragés à adhérer aux meilleures pratiques de la recherche reproductible (RR), en mettant à disposition les données et les outils logiciels permettant de reproduire les résultats présentés dans leurs articles. Pour des raisons de persistance et d'attribution appropriée de la paternité, nous demandons l'utilisation de services d'hébergement de dépôts standard tels que dataverse, mldata, openml, etc. pour les ensembles de données, et mloss, bitbucket, github, etc. pour le code source. 

Dates importantes

• Date limite pour les soumissions : 9 février 2023 (23:59 AOE)
• Notifications aux auteurs : 28 février 2023
• Colloque : 17-21 avril 2023