Causal modelling and validation based on observational data and domain knowledge

Item type:	Thesis of the University of Regensburg (PhD)
Open Access Type:	Primary Publication
Date:	29 November 2023
Referee:	Prof. Dr. Elmar W. Lang
Date of exam:	15 November 2023
Institutions:	UNSPECIFIED
Keywords:	causal inference; causality; model validation; machine learning; data science
Dewey Decimal Classification:	000 Computer science, information & general works > 004 Computer science 500 Science > 530 Physics
Status:	Published
Refereed:	Yes, this version has been refereed
Created at the University of Regensburg:	Yes
Item ID:	55067

Abstract (English)

By assessing the effect of hypothetical actions without the need to directly interact with the real world, causal inference offers valuable tools for data science and artificial intelligence. However, a consensus on how to combine different causal algorithms into a holistic analysis workflow, as well as a universally agreed-upon validation strategy for causal models are yet to be established. In ...

Abstract (English)

By assessing the effect of hypothetical actions without the need to directly interact with the real world, causal inference offers valuable tools for data science and artificial intelligence. However, a consensus on how to combine different causal algorithms into a holistic analysis workflow, as well as a universally agreed-upon validation strategy for causal models are yet to be established. In this thesis, a causal end-to-end analysis is proposed as a combination of multiple methods of graph-based causal inference from observational data and domain knowledge. Quantitative probing is introduced as a model-agnostic causal validation strategy in accordance with Popper’s falsificationist view on scientific discovery. The effectiveness of the strategy is evidenced by a thorough simulation study that includes a discussion of its current limits at the example of malfunctioning validation runs. In order to provide application scenarios for the methodological contributions, selected use cases from the domain of manufacturing light-emitting diodes are presented. Open-source Python packages for executing the causal end-to-end analysis and benchmarking the quantitative probing validation strategy are provided.

Translation of the abstract (German)

Durch die Beurteilung der Wirkung hypothetischer Handlungen ohne die Notwendigkeit einer direkten Interaktion mit der realen Welt bietet die kausale Inferenz wertvolle Werkzeuge für die Datenwissenschaft und künstliche Intelligenz. Ein Konsens darüber, wie verschiedene kausale Algorithmen in einem ganzheitlichen Analyse-Workflow kombiniert werden können, sowie eine allgemein anerkannte ...

Translation of the abstract (German)

Durch die Beurteilung der Wirkung hypothetischer Handlungen ohne die Notwendigkeit einer direkten Interaktion mit der realen Welt bietet die kausale Inferenz wertvolle Werkzeuge für die Datenwissenschaft und künstliche Intelligenz. Ein Konsens darüber, wie verschiedene kausale Algorithmen in einem ganzheitlichen Analyse-Workflow kombiniert werden können, sowie eine allgemein anerkannte Validierungsstrategie für kausale Modelle müssen jedoch noch etabliert werden. In dieser Arbeit wird eine kausale End-to-End-Analyse als Kombination mehrerer Methoden der graphenbasierten kausalen Inferenz aus Beobachtungsdaten und Domänenwissen vorgeschlagen. Quantitative Probing wird als modellunabhängige kausale Validierungsstrategie im Einklang mit Poppers falsifikationistischer Sicht auf naturwissenschaftliche Forschung eingeführt. Die Wirksamkeit der Strategie wird durch eine gründliche Simulationsstudie nachgewiesen, die eine Diskussion ihrer aktuellen Grenzen am Beispiel fehlerhafter Validierungsversuche enthält. Um praktische Szenarien für die methodischen Beiträge bereitzustellen, werden ausgewählte Anwendungsfälle aus dem Bereich der Herstellung von Leuchtdioden vorgestellt. Es werden Open-Source-Python-Pakete zur Durchführung der kausalen End-to-End-Analyse und zum Benchmarking des Quantitative Probings bereitgestellt.

Details

Preview

Export bibliographical data

Abstract (English)

Abstract (English)

Translation of the abstract (German)

Translation of the abstract (German)

Download Statistics

Downloads

More literature (via CORE)

University Library