{"id":34291,"date":"2024-08-06T14:57:19","date_gmt":"2024-08-06T12:57:19","guid":{"rendered":"https:\/\/www.l3s.de\/?p=34291"},"modified":"2024-09-05T15:45:09","modified_gmt":"2024-09-05T13:45:09","slug":"causekg-enhancing-causal-inference","status":"publish","type":"post","link":"https:\/\/www.l3s.de\/de\/causekg-enhancing-causal-inference\/","title":{"rendered":"CauseKG: Verbesserte Kausalschl\u00fcsse"},"content":{"rendered":"

L3S Bestes Paper des Quartals (Q2\/2024) <\/strong> 
Kategorie: Wissensgraphen und Kausalmodelle <\/strong><\/p>\n\n\n\n

CauseKG: Ein Rahmenwerk zur Verbesserung der kausalen Inferenz mit implizitem Wissen aus Wissensgraphen<\/strong> <\/p>\n\n\n\n

Autoren: <\/strong>Hao Huang, Maria-Esther Vidal<\/p>\n\n\n\n

Ver\u00f6ffentlicht in IEEE Access 12: 61810-61827 (2024)<\/em> 
https:\/\/ieeexplore.ieee.org\/document\/10510291<\/a><\/p>\n\n\n\n

<\/div>\n\n\n\n

Das Papier in K\u00fcrze<\/strong>: <\/p>\n\n\n\n

In diesem Beitrag wird CauseKG vorgestellt, ein Rahmenwerk f\u00fcr das Stellen und Beantworten kausaler Fragen unter Verwendung von Wissensgraphen (KGs).  <\/p>\n\n\n\n

CauseKG kann zum Beispiel verwendet werden, um Fragen wie die folgenden zu beantworten:  
(1) Wie stark beeinflusst das Prestige die Akzeptanz einer Arbeit?  
(2) In welchem Ausma\u00df verursacht Rauchen Lungenkrebs?  <\/p>\n\n\n\n

KGs store data in a semi-structured graph format and represent the meaning of the data in a machine-understandable way. CauseKG uses both the data and its meaning in KGs to answer causal questions more accurately. <\/p>\n\n\n\n

Welches Problem l\u00f6sen Sie mit Ihrer Forschung?<\/strong> <\/p>\n\n\n\n

Diese Arbeit l\u00f6st das Problem der genauen Sch\u00e4tzung kausaler Effekte (d.h. der Beantwortung kausaler Fragen) aus Daten. <\/p>\n\n\n\n

Welche potenziellen Auswirkungen haben Ihre Ergebnisse?<\/strong> <\/p>\n\n\n\n

Unsere Ergebnisse zeigen, dass CauseKG die Entscheidungsfindung in verschiedenen Bereichen, wie dem Gesundheitswesen, den Sozialwissenschaften und der Wirtschaft, verbessern kann. <\/p>\n\n\n\n

Zum Beispiel kann es Patienten helfen, wirksamere Behandlungen zu w\u00e4hlen; es kann Gesch\u00e4ftsmanagern helfen, die Auswirkungen einer Marketingstrategie auf den Umsatz zu verstehen. <\/p>\n\n\n\n

Was ist das Neue an Ihrer Forschung?<\/strong> <\/p>\n\n\n\n

CauseKG ist ein neuartiger Rahmen, der die Semantik der Daten ber\u00fccksichtigt und die aus KG abgeleiteten impliziten Fakten nutzt, um die Sch\u00e4tzung kausaler Effekte zu verbessern.  <\/p>\n\n\n\n

Bestehende Methoden vernachl\u00e4ssigen oft diese impliziten Fakten, was zu falschen kausalen Schlussfolgerungen f\u00fchren kann. <\/p>\n\n\n\n

Link zum Paper:<\/strong> <\/p>\n\n\n\n

Huang, H. und Vidal, M.E., 2024. CauseKG: A Framework Enhancing Causal Inference With Implicit Knowledge Deduced From Knowledge Graphs. IEEE Access. <\/p>\n\n\n\n

DOI: https:\/\/doi.org\/10.1109\/ACCESS.2024.3395134<\/a> <\/p>","protected":false},"excerpt":{"rendered":"

The best L3S publication of the quarter in the category “Knowledge Graphs and Causal Methods” deals with the topic of how to best answer causal questions .<\/p>","protected":false},"author":11,"featured_media":34292,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[161],"tags":[],"class_list":["post-34291","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-best-publications"],"acf":[],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t