From dependency to causality: a machine learning approach

Recherche avancée | Historique de recherche Mon DI-fusion | À propos de DI-fusion | Contact |

;Flauder, Maxime
Référence Journal of machine learning research
Publication Publié, 2015

Article révisé par les pairs

Titre:	From dependency to causality: a machine learning approach
Auteur:	Bontempi, Gianluca; Flauder, Maxime
Informations sur la publication:	Journal of machine learning research
Statut de publication:	Publié, 2015
Sujet CREF:	Intelligence artificielle
Mots-clés:	Causal inference
	Information theory
	Machine learning
Note générale:	SCOPUS: ar.j
Langue:	Anglais
Identificateurs:	urn:issn:1533-7928
	info:scp/84961620607

On many-objective feature selection and the need for interpretability
par Njoku, Uchechukwu U.F. , Abelló, Alberto , Bilalli, Besim , Bontempi, Gianluca
Publication 2025-04
Towards fair machine learning using many-objective feature selection
par Njoku, Uchechukwu U.F. , Abelló, Alberto , Bilalli, Besim , Bontempi, Gianluca
Publication 2025-09
Assessing adversarial attacks in real-world fraud detection
par Lunghi, Daniele , Simitsis, Alkis , Bontempi, Gianluca
Publication 2024-10-01
Tech tools unleashed: elevating your scientific productivity with AI and other software
par Pinker, India , Duimel, S. , Oladipo, E. , Bras, I. , Gilani, S. , Etenaille, Maxime , Frerichs, W.
Publication 2025-09-01
Intelligence artificielle et droit d’auteur : Rapport belge
par Cabay, Julien
Publication 2025-06-17

Référencement	Visibilité	Pérennité	Facilité
Les publications encodées constituent la bibliographie académique de l'Université.	Les documents déposés sont indexés par les moteurs de recherche (Google Scholar,…).	Les documents déposés en open-access sont archivés au sein du réseau de préservation SAFE-PLN (www.safepln.org).	Les listes de publications sont compatibles avec le CV-ULB, le FNRS et accessibles sur le web.