Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Causal Effect Inference with Deep Latent-Variable Models

Autor: Louizos, C., Shalit, U., Mooij, J., Sontag, D., Zemel, R., Welling, M., von Luxburg, U., Guyon, I., Bengio, S., Wallach, H., Fergus, R., Vishwanathan, S.V.N., Garnett, R.

Publikováno v: 31st Conference on Advances in Neural Information Processing Systems (NIPS 2017): Long Beach, California, USA, 4-9 December 2017, 10, 6447-6457

Learning individual-level causal effects from observational data, such as inferring the most effective medication for a specific patient, is a problem of growing importance for policy makers. The most important aspect of inferring causal effects from

Externí odkaz: https://explore.openaire.eu/search/publication?articleId=narcis______::2428d2cc02a6af2e5d669a344c8a3177
https://dare.uva.nl/personal/pure/en/publications/causal-effect-inference-with-deep-latentvariable-models(fcc9c08f-4ed2-436d-a675-f4b74329928a).html

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.