Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
Zur Ablage hinzufügen
 Lokale TagsFreigabegeschichteDetailsÜbersicht
  Telling cause from effect based on high-dimensional observations

Janzing, D., Hoyer, P., & Schölkopf, B. (2010). Telling cause from effect based on high-dimensional observations. In J. Fürnkranz, & T. Joachims (Eds.), 27th International Conference on Machine Learning (ICML 2010) (pp. 479-486). Madison, WI, USA: Omnipress.

Item is

 

einblenden: alle ausblenden: alle

Basisdaten

einblenden: ausblenden:
Datensatz-Permalink: https://hdl.handle.net/11858/00-001M-0000-0013-BFA4-9 Versions-Permalink: https://hdl.handle.net/21.11116/0000-0002-81DE-2
Genre: Konferenzbeitrag

Dateien

einblenden: Dateien
ausblenden: Dateien
:
paper_final_6501[0].pdf (beliebiger Volltext), 467KB
Öffnen   Speichern
Datei-Permalink:
https://hdl.handle.net/21.11116/0000-0002-81DF-1
Name:
paper_final_6501[0].pdf
Beschreibung:
-
OA-Status:
Sichtbarkeit:
Öffentlich
MIME-Typ / Prüfsumme:
application/pdf / [MD5]
Technische Metadaten:
Öffnen
Copyright Datum:
-
Copyright Info:
-
Lizenz:
-

Externe Referenzen

einblenden:
ausblenden:
externe Referenz:
https://dl.acm.org/citation.cfm?id=3104384 (beliebiger Volltext)
Beschreibung:
-
OA-Status:

Urheber

einblenden:
ausblenden:
 Urheber:
Janzing, D1, 2, Autor           
Hoyer, P, Autor
Schölkopf, B1, 2, Autor           
Affiliations:
1Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society, ou_1497795              
2Max Planck Institute for Biological Cybernetics, Max Planck Society, Spemannstrasse 38, 72076 Tübingen, DE, ou_1497794              

Inhalt

einblenden:
ausblenden:
Schlagwörter: -
 Zusammenfassung: We describe a method for inferring linear causal relations among multi-dimensional variables. The idea is to use an asymmetry between the distributions of cause and effect that occurs if the covariance matrix of the cause and the structure matrix mapping the cause to the effect are independently chosen. The method applies to both stochastic and deterministic causal relations, provided that the dimensionality is sufficiently high (in some experiments, 5 was enough). It is applicable to Gaussian as well as non-Gaussian data.

Details

einblenden:
ausblenden:
Sprache(n):
 Datum: 2010-06
 Publikationsstatus: Erschienen
 Seiten: -
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: -
 Identifikatoren: BibTex Citekey: 6501
 Art des Abschluß: -

Veranstaltung

einblenden:
ausblenden:
Titel: 27th International Conference on Machine Learning (ICML 2010)
Veranstaltungsort: Haifa, Israel
Start-/Enddatum: 2010-06-21 - 2010-06-24

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

einblenden:
ausblenden:
Titel: 27th International Conference on Machine Learning (ICML 2010)
Genre der Quelle: Konferenzband
 Urheber:
Fürnkranz, J, Herausgeber
Joachims, T, Herausgeber
Affiliations:
-
Ort, Verlag, Ausgabe: Madison, WI, USA : Omnipress
Seiten: - Band / Heft: - Artikelnummer: - Start- / Endseite: 479 - 486 Identifikator: ISBN: 978-1-605-58907-7