Using Causal Inference to Globally Understand Black Box Predictors Beyond Saliency Maps

Reimers, Christian und Runge, Jakob und Denzler, Joachim (2020) Using Causal Inference to Globally Understand Black Box Predictors Beyond Saliency Maps. In: Proceedings of the 9th International Workshop on Climate Informatics: CI 2019, Seiten 1-4. 9th Int. Work. Clim. Informatics, Paris.

PDF
106MB

elib-URL des Eintrags:

https://elib.dlr.de/131637/

Dokumentart:

Konferenzbeitrag (Vorlesung)

Titel:

Using Causal Inference to Globally Understand Black Box Predictors Beyond Saliency Maps

Autoren:

Autoren	Institution oder E-Mail-Adresse	Autoren-ORCID-iD	ORCID Put Code
Reimers, Christian	NICHT SPEZIFIZIERT	NICHT SPEZIFIZIERT	NICHT SPEZIFIZIERT
Runge, Jakob	NICHT SPEZIFIZIERT	NICHT SPEZIFIZIERT	NICHT SPEZIFIZIERT
Denzler, Joachim	NICHT SPEZIFIZIERT	NICHT SPEZIFIZIERT	NICHT SPEZIFIZIERT

Datum:

7 Januar 2020

Erschienen in:

Proceedings of the 9th International Workshop on Climate Informatics: CI 2019

Referierte Publikation:

Open Access:

Gold Open Access:

Nein

In SCOPUS:

Nein

In ISI Web of Science:

Nein

Seitenbereich:

Seiten 1-4

Status:

veröffentlicht

Stichwörter:

climate informatics

Veranstaltungstitel:

9th Int. Work. Clim. Informatics

Veranstaltungsort:

Paris

Veranstaltungsart:

internationale Konferenz

HGF - Forschungsbereich:

Luftfahrt, Raumfahrt und Verkehr

HGF - Programm:

Luftfahrt

HGF - Programmthema:

Luftverkehrsmanagement und Flugbetrieb

DLR - Schwerpunkt:

Luftfahrt

DLR - Forschungsgebiet:

L AO - Air Traffic Management and Operation

DLR - Teilgebiet (Projekt, Vorhaben):

L - Klima, Wetter und Umwelt (alt)

Standort:

Jena

Institute & Einrichtungen:

Institut für Datenwissenschaften > Datenmanagement und Analyse

Hinterlegt von:

Runge, Jakob

Hinterlegt am:

07 Jan 2020 13:28

Letzte Änderung:

07 Jan 2020 13:28

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags