Toward Causal Learning in Real World Applications: Advances in Nonlinear and Time Series Models (CausalANTS)

Indenfor kausalitet forsøger vi at forstå hvordan systemer opfører sig under interventioner. Disse spørgsmål kan ikke besvares i termer af statistiske afhængigheder og kan ikke behandles med statistiske standardmetoder. Kausale modeller er robuste under ændringer i omgivelserne; en egenskab som kan hjælpe os med at udlede kausale strukturer fra data. Sammen med to ph.d.-studerende og en postdoc vil vi anvende vores forskning i geovidenskab, biogeografi og bioinformatik.