Dataflow graphs as complete causal graphs

Paleyes, A.; Guo, Siyuan; Schölkopf, Bernhard; Lawrence, N. D.

doi:10.1109/CAIN58948.2023.00010

Datensatz

DATENSATZ AKTIONENEXPORT

Zur Ablage hinzufügen

Lokale TagsFreigabegeschichteDetailsÜbersicht

Freigegeben

Konferenzbeitrag

Dataflow graphs as complete causal graphs

MPG-Autoren

/persons/resource/persons304416

Guo, Siyuan
Dept. Empirical Inference, Max Planck Institute for Intelligent Systems, Max Planck Society;

/persons/resource/persons84193

Schölkopf, Bernhard
Dept. Empirical Inference, Max Planck Institute for Intelligent Systems, Max Planck Society;

Externe Ressourcen

https://doi.org/10.1109/CAIN58948.2023.00010
(Verlagsversion)

https://arxiv.org/abs/2303.09552
(Preprint)

Volltexte (beschränkter Zugriff)

Für Ihren IP-Bereich sind aktuell keine Volltexte freigegeben.

Volltexte (frei zugänglich)

Es sind keine frei zugänglichen Volltexte in PuRe verfügbar

Ergänzendes Material (frei zugänglich)

Es sind keine frei zugänglichen Ergänzenden Materialien verfügbar

Zitation

Paleyes, A., Guo, S., Schölkopf, B., & Lawrence, N. D. (2023). Dataflow graphs as complete causal graphs. In 2023 IEEE/ACM 2nd International Conference on AI Engineering – Software Engineering for AI (CAIN) (pp. 7-12). New York, NY: IEEE.

Zitierlink: https://hdl.handle.net/21.11116/0000-0010-5D60-A

Zusammenfassung

Es ist keine Zusammenfassung verfügbar