Zobrazeno 1 - 10
of 36
pro vyhledávání: '"Mohan, Karthika"'
We study causal effect estimation in a setting where the data are not i.i.d. (independent and identically distributed). We focus on exchangeable data satisfying an assumption of independent causal mechanisms. Traditional causal effect estimation fram
Externí odkaz:
http://arxiv.org/abs/2405.18836
Autor:
Mohan, Karthika, Pearl, Judea
This paper reviews recent advances in missing data research using graphical models to represent multivariate dependencies. We first examine the limitations of traditional frameworks from three different perspectives: \textit{transparency, estimabilit
Externí odkaz:
http://arxiv.org/abs/1801.03583
We propose an efficient family of algorithms to learn the parameters of a Bayesian network from incomplete data. In contrast to textbook approaches such as EM and the gradient method, our approach is non-iterative, yields closed form parameter estima
Externí odkaz:
http://arxiv.org/abs/1411.7014
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Missing data are ubiquitous in many domains such as healthcare. When these data entries are not missing completely at random, the (conditional) independence relations in the observed data may be different from those in the complete data generated by
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=dedup_wf_001::1096d9227a20e2d58c67e6cb0fc09cbb
http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-258069
http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-258069
Autor:
Mohan, Karthika
Publikováno v:
Mohan, Karthika. (2017). Graphical Models for Inference with Missing Data. UCLA: Computer Science 0201. Retrieved from: http://www.escholarship.org/uc/item/6mk2b174
We address inference problems associated with missing data using causal Bayesian networks to model the data generation process. We show that procedures based on graphical models can overcome limitations of conventional missing data methods and provid
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=od_______325::c63a849236c3c747ec8110baf036b91e
http://www.escholarship.org/uc/item/6mk2b174
http://www.escholarship.org/uc/item/6mk2b174
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
We propose a family of efficient algorithms for learning the parameters of a Bayesian network from incomplete data. Our approach is based on recent theoretical analyses of missing data problems, which utilize a graphical representa- tion, called the
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=od______1131::08adc73861f7b0e4ff3244a6bc699997
https://lirias.kuleuven.be/handle/123456789/500017
https://lirias.kuleuven.be/handle/123456789/500017
Publikováno v:
Annals of African Medicine; Jul-Sep2019, Vol. 18 Issue 3, p138-142, 5p, 3 Charts
