Login
- Originaltitel:
- Causal Inference of Extremes
- Originaluntertitel:
- Recursive Max-Linear Models Under Observational Noise
- Übersetzter Titel:
- Kausale Inferenz von Extremen
- Übersetzter Untertitel:
- Rekursive Max-Lineare Modelle unter Beobachtungsrauschen
- Autor:
- Buck, Johannes Ernst-Emanuel
- Jahr:
- 2023
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Computation, Information and Technology
- Betreuer:
- Klüppelberg, Claudia (Prof. Dr.)
- Gutachter:
- Klüppelberg, Claudia (Prof. Dr.); Améndola Cerón, Carlos Enrique (Prof. Dr.)
- Sprache:
- en
- Fachgebiet:
- MAT Mathematik
- Stichworte:
- causal inference, directed acyclic graph, extreme value theory, graphical model, max-linear model, structural equation model, machine learning, identifiability
- Übersetzte Stichworte:
- kausale Inferenz, gerichteter azyklischer Graph, Extremwerttheorie, grafisches Modell, max-lineares Modell, Strukturgleichungsmodell, machine learning, Identifizierbarkeit
- TU-Systematik:
- MAT 620
- Kurzfassung:
- Recursive max-linear models have gained increasing interest for modeling extremal dependence. The causal structure of such models is represented by a Bayesian network, where node variables are defined as a max-linear function of parental node variables and an independent innovation. In this dissertation, we study recursive max-linear models under observational noise. Particularly, we investigate structural properties and causal inference of noisy max-linear models.
- Übersetzte Kurzfassung:
- Rekursive max-lineare Modelle haben zunehmendes Interesse für die Modellierung extremaler Abhängigkeiten erlangt. Die kausale Struktur solcher Modelle wird durch eine max-lineare Funktion von übergeordneten Knotenvariablen und einer unabhängigen Innovation definiert. In dieser Dissertation untersuchen wir rekursive max-lineare Modelle unter Beobachtungsrauschen. Insbesondere betrachten wir strukturelle Eigenschaften und kausale Inferenz von verrauschten max-linearen Modellen
- WWW:
- https://mediatum.ub.tum.de/?id=1695755
- Eingereicht am:
- 24.01.2023
- Mündliche Prüfung:
- 22.03.2023
- Dateigröße:
- 7745418 bytes
- Seiten:
- 146
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20230322-1695755-1-3
- Letzte Änderung:
- 14.04.2023
BibTeX
Vorkommen:
- mediaTUM GesamtbestandHochschulbibliographie2023Schools und FakultätenTUM School of Computation, Information and TechnologyLehrstuhl für Mathematische Statistik (Prof. Drton)