Opis projektu
Bardziej niezawodne odkrywanie związków przyczynowo-skutkowych
Wzrost wolumenów danych w ostatniej dekadzie przyczynił się do rozwoju dziedzin nauki takich jak nauka o danych, statystyka i ekonometria. Choć tradycyjne metody koncentrowały się na znajdowaniu wzorców i skojarzeń, badacze dostrzegają obecnie znaczenie odkrywania związków przyczynowo-skutkowych w celu lepszego zrozumienia danych. Ta zmiana spowodowała szybki rozwój badań nad wnioskowaniem przyczynowym. Istniejące metody zakładają jednak, że rzeczywiste dane są czyste i doskonale uporządkowane - często to założenie okazuje się błędne ze względu na błędy pomiarowe i anomalie. Zespół finansowanego ze środków działania „Maria Skłodowska-Curie” projektu ROCDISCO ma na celu opracowanie niezawodnych metod wykrywania tych związków, które pozostają rzetelne pomimo problemów dotyczących danych. Budując ramy teoretyczne, projektując niezawodne techniki i testując rozwiązania w rzeczywistych scenariuszach, zespół rozwinie odkrywanie związków przyczynowych i zwiększy wiarygodność badań naukowych.
Cel
RObust Causal DISCOvery
Due to technological advances, the available amount of data has increased tremendously over the last decade. The fields of data science, statistics, computer science and econometrics have followed this growth as they provide indispensable tools for translating data into insights and knowledge. Where data science was traditionally concerned with learning associations in data, it has recently become clear that causal relations often provide a deeper understanding and a stronger tool in many practical applications. This has led to the flourishing of causal inference with some of the most prestigious scientific awards going to pioneers in the field over the last decade.
“Can we learn causal mechanisms from observational data?” is one of the compelling questions that is occupying scientists all over the world. Where it was originally answered by skepticism, it has become clear that we are not completely powerless and there are indeed ways to infer causal structure from observational data under the right conditions. However, all of the current methods assume that the observed data perfectly follows the underlying causal structure. Unfortunately, real world data is often contaminated by anomalies and measurement errors, violating this assumption and thus weakening the reliability of methods for causal discovery.
This proposal aims to fill this gap by developing methods for causal discovery that remain efficient and reliable under data contamination. In particular, it (i) builds a theoretical framework for robust causal discovery, (ii) develops methods for causal discovery that are provably robust and correctly identify the causal structure and (iii) investigates the effect of contamination on real-world discovery tasks. As a result, in addition to advancing the theoretical understanding of causal discovery, this proposal builds a versatile toolbox to support scientists doing causal discovery and improve the reliability of their findings.
Dziedzina nauki (EuroSciVoc)
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego. Więcej informacji: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego. Więcej informacji: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc
Aby użyć tej funkcji, musisz się zalogować lub zarejestrować
Program(-y)
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Zaproszenie do składania wniosków
(odnośnik otworzy się w nowym oknie) HORIZON-MSCA-2022-PF-01
Zobacz inne projekty w ramach tego zaproszeniaSystem finansowania
HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European FellowshipsKoordynator
6200 MD Maastricht
Niderlandy