Detailansicht
Causally consistent abstractions of time-series data
Akshey Kumar
Art der Arbeit
Dissertation
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Dr.-Studium der technischen Wissenschaften (DissG: Informatik)
Betreuer*innen
Moritz Grosse-Wentrup ,
Sebastian Tschiatschek
DOI
10.25365/thesis.75004
URN
urn:nbn:at:at-ubw:1-10988.38122.180732-5
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Das Verständnis komplexer dynamischer Systeme, insbesondere im Bereich der Neurowissenschaften, stellt aufgrund der hohen Dimensionalität und Komplexität der verfügbaren Daten eine große Herausforderung dar. In dieser Dissertation wird zwar die Bedeutung des Nachweises kausaler Beziehungen anerkannt, doch reicht ein rein kausales Verständnis möglicherweise nicht aus, da es zu komplex ist, um interpretiert werden zu können. Daher sehen wir einen Bedarf an kausal konsistenten Abstraktionen. Um dies zu erreichen, stellen wir einen mathematischen Rahmen vor, der die Ableitung von kausal konsistenten Modellen auf hoher Ebene direkt aus Beobachtungsdaten ermöglicht. Anschließend stellen wir BunDLe-Net vor - einen Algorithmus zum Lernen von High-Level-Modellen direkt aus neuronalen und Verhaltensdaten. Die Wirksamkeit unserer Architektur wird anhand verschiedener Modalitäten neurowissenschaftlicher Daten demonstriert, die durchweg interpretierbare Erkenntnisse liefern, die nicht nur mit dem vorhandenen Wissen übereinstimmen, sondern auch neue Erkenntnisse über die Daten offenbaren. Darüber hinaus wird in dieser Arbeit eine Toolbox für die Implementierung von BunDLe-Net vorgestellt. Schließlich diskutieren wir zukünftige Forschungsmöglichkeiten, die unsere Arbeit in einer Vielzahl von wissenschaftlichen Bereichen wie Kausalität, Datenwissenschaft und Neurowissenschaften eröffnet.
Abstract
(Englisch)
Understanding complex dynamical systems, particularly in the realm of neuroscience, poses significant challenges due to the high dimensionality and intricacy of available data. While acknowledging the significance of establishing causal relationships, this dissertation contends that a mere causal understanding may not suffice since it may be too complex to be interpretable. Hence, we identify the need for causally consistent abstractions. To address this, we present a mathematical framework outlining key assumptions that facilitate the derivation of causally-consistent high-level models directly from observational data. We then introduce BunDLe-Net – an architecture to learn high-level models directly from neuronal and behavioural time-series data. The efficacy of our architecture is demonstrated across various modalities of neuroscience data, which consistently produces interpretable insights that not only align with existing knowledge but also reveal novel insights about the data. Additionally, this thesis introduces a toolbox for the implementation of BunDLe-Net. Finally, we discuss future avenues for research that our work opens up in a variety of scientific domains, such as causality, data science and neuroscience.
Schlagwörter
Schlagwörter
(Deutsch)
Kausale Abstraktionen Neuronales Vielfaches Lernen Künstliche Intelligenz Kausale Konsistenz Interpretierbar Zeitreihendaten
Schlagwörter
(Englisch)
Causal abstractions Neuronal Manifold Learning Artificial intelligence Causal consistency Interpretable Time-series data
Autor*innen
Akshey Kumar
Haupttitel (Englisch)
Causally consistent abstractions of time-series data
Publikationsjahr
2023
Umfangsangabe
vii, 87 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*innen
Claire Wyart ,
Sebastian Tschiatschek
Klassifikation
54 Informatik > 54.72 Künstliche Intelligenz
AC Nummer
AC17033462
Utheses ID
69253
Studienkennzahl
UA | 786 | 880 | |