הפקולטה למדעי המחשב והמידע ע"ש שטיין

Recommender systems shape much of what we watch, read, and discover. But can we really understand why they recommend what they do? And more importantly, can we trust their explanations? In this talk, I will argue that explanations should go beyond sounding plausible: they must faithfully reflect how the underlying models actually behave. I will present recent research from our group on generating and evaluating faithful explanations, uncovering interpretable concepts within learned representations, and discovering causal relationships from user behavior. Together, these directions illustrate how we can move beyond black-box recommendations toward systems that are not only accurate, but also understandable, explainable, and trustworthy. Prof. Noam Koenigstein is an Associate Professor at Tel Aviv University, where he leads the DELTA Lab and co-heads the university’s Data Science Program. His research lies at the intersection of machine learning, recommender systems, and causal inference, with a particular focus on making AI systems more effective, interpretable, and trustworthy. Before joining academia in 2018, he held senior research and leadership roles in industry, developing large-scale recommendation technologies at Microsoft for Xbox and the Microsoft Store, and later serving as Senior Vice President and Head of Data Science at Citi’s Israeli Innovation Lab. He holds a Ph.D. in Electrical Engineering from Tel Aviv University and a B.Sc. in Computer Science from the Technion.

הסימפוזיון מהווה פורום בינלאומי עבור חוקרות וחוקרים, יזמים ואנשי מקצוע העוסקים בתיאוריה, תכנון, ניתוח, מימוש או יישום של מערכות ורשתות בתחומי אבטחת הסייבר, הקריפטוגרפיה ולמידת המכונה – ובפרט בנושאים חדשניים מבחינה רעיונית במסגרת תחומים אלה.

יום פתוח לכל תוכניות הלימוד לתואר ראשון באוניברסיטת בן-גוריון בנגב, בכל הקמפוסים שלנו

היכונו היכונו לפתיחת ההרשמה לשנת הלימודים הראשונה שלכם!

יום פתוח לכל תוכניות הלימוד לתואר ראשון באוניברסיטת בן-גוריון בנגב, בכל הקמפוסים שלנו