hh.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Causal discovery using clusters from observational data
Högskolan i Halmstad, Akademin för informationsteknologi, Halmstad Embedded and Intelligent Systems Research (EIS), CAISR Centrum för tillämpade intelligenta system (IS-lab).ORCID-id: 0000-0003-3272-4145
RISE SICS, Stockholm, Sweden.
School of Informatics, University of Skövde, Sweden.
Högskolan i Halmstad, Akademin för informationsteknologi, Halmstad Embedded and Intelligent Systems Research (EIS), CAISR Centrum för tillämpade intelligenta system (IS-lab).ORCID-id: 0000-0002-7796-5201
2018 (Engelska)Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

Many methods have been proposed over the years for distinguishing causes from effects using observational data only, and new ones are continuously being developed – deducing causal relationships is difficult enough that we do not hope to ever get the perfect one. Instead, we progress by creating powerful heuristics, capable of capturing more and more of the hints that are present in real data.

One type of such hints, quite surprisingly rarely explicitly addressed by existing methods, is in-homogeneities in the data. Clusters are a very typical occurrence that should be taken into account, and exploited, in the process of identifying causes and effects. In this paper, we discuss the potential benefits, and explore the hints that clusters in the data can provide for causal discovery. We propose a new method, and show, using both artificial and real data, that accounting for clusters in the data leads to more accurate learning of causal structures.

Ort, förlag, år, upplaga, sidor
2018.
Nationell ämneskategori
Annan data- och informationsvetenskap
Identifikatorer
URN: urn:nbn:se:hh:diva-39216OAI: oai:DiVA.org:hh-39216DiVA, id: diva2:1303420
Konferens
FAIM'18 Workshop on CausalML, Stockholm, Sweden, July 15, 2018
Tillgänglig från: 2019-04-09 Skapad: 2019-04-09 Senast uppdaterad: 2019-04-11Bibliografiskt granskad

Open Access i DiVA

fulltext(3755 kB)169 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 3755 kBChecksumma SHA-512
17940b2f33c57cf735591d8b1dbf8f76b6e929bd79a4109794784487184c71f6ab6e96155010ea1288f4ea6077ff00bad4b7c498c4d88ae15f78ebab99bf748a
Typ fulltextMimetyp application/pdf

Övriga länkar

Full text

Personposter BETA

Pashami, SepidehNowaczyk, Sławomir

Sök vidare i DiVA

Av författaren/redaktören
Pashami, SepidehNowaczyk, Sławomir
Av organisationen
CAISR Centrum för tillämpade intelligenta system (IS-lab)
Annan data- och informationsvetenskap

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 169 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 154 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf