Proceedings of the UAI 2014 Workshop Causal Inference: Learning and Prediction:co-located with 30th Conference on Uncertainty in Artificial Intelligence (UAI 2014) : Quebec City, Canada, July 27, 2014
Notice bibliographique
Résumé
This workshop is the third in a series of UAI workshops on the topic of causality, following up on two successful predecessors, the UAI Workshop on Causal Structure Learning 2012 and the Approaches to Causal Structure Learning Workshop, UAI 2013.The aim of this workshop was to bring together researchers interested in the challenges of causal inference from observational and interventional data, especially when confounding variables, feedback loops or selection bias may be present.For this workshop, we decided to extend the scope from causal structure learning to include methods for making causal predictions, i.e., for predicting what happens under interventions.We especially encouraged contributions describing practical applications of causal methods.There were 8 submissions, all full-length papers, each of which was peer-reviewed by two or three program committee members.We accepted five of these for oral presentation and for inclusion in these proceedings.The proceedings also include abstracts for three invited talks, including the two key-note talks by Robert Spekkens and Elias Bareinboim.Slides of most of the oral presentations are available on the workshop website:https://staff.fnwi.uva.nl/j.m.mooij/uai2014-causality-workshop/index.htmlWe would like to thank the paper authors and presenters for their contributions and the program committee members for their reviewing service.We also appreciate the organizational support of the main UAI 2014 conference, in particular we would like to thank John Mark Agosta,
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,069 | 0,025 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».