Hola,
¿eres nuevo aquí?

Regístrate gratis y conecta tu empresa con financiación pública, partners y proyectos.

Tengo cuenta

Regístrate

Ver video

GRAPHMODE

Financiado

Cerrado

Graphical Models for Complex Multivariate Data

Modern science increasingly relies on insights gained from sophisticated analyses of large data sets. An ambitious goal of such data-driven discovery is to understand complex systems via statistical analysis of multivariate data... ver más

30/09/2026

TUM

2M€

Presupuesto del proyecto: 2M€

Líder del proyecto

TECHNISCHE UNIVERSITAET MUENCHEN No se ha especificado una descripción o un objeto social para esta compañía.

TRL 4-5

Fecha límite participación Sin fecha límite de participación.

Ver 2 Participantes

Financiación concedida El organismo H2020 notifico la concesión del proyecto el día 2020-04-27

ERC-2019-ADG: ERC Advanced Grant

I+D

Cerrada hace 5 años

0% 100% 100%

Información adicional privada

No hay información privada compartida para este proyecto. Habla con el coordinador.

2 Participantes

TUM

1.97M€ | Lider

CONSTRUCCIONES TECNICAS DE R...

390.91K€ | Participante

Proyectos interesantes

PGC2018-101643-B-I00

Data Science

Software

142K€ Cerrado

TIN2013-41592-P

Data Science

Software

61K€ Cerrado

CausalHighDim

Data Science

Software

185K€ Cerrado

PID2019-105058GA-I00

Data Science

Software

41K€ Cerrado

CausalStats

Data Science

Software

2M€ Cerrado

PrSc-HDBayLe

Data Science

Software

1M€ Cerrado

Conecta tu I+D

¿Tienes un proyecto y buscas un partner? Gracias a nuestro motor inteligente podemos recomendarte los mejores socios y ponerte en contacto con ellos. Te lo explicamos en este video

Duración del proyecto: 77 meses Fecha Inicio: 2020-04-27
Fecha Fin: 2026-09-30

Líder del proyecto

TECHNISCHE UNIVERSITAET MUENCHEN No se ha especificado una descripción o un objeto social para esta compañía.

TRL 4-5

Presupuesto del proyecto 2M€

Fecha límite de participación Sin fecha límite de participación.

Descripción del proyecto Modern science increasingly relies on insights gained from sophisticated analyses of large data sets. An ambitious goal of such data-driven discovery is to understand complex systems via statistical analysis of multivariate data on the activity of their interacting units. Probabilistic graphical models, the topic of this project, are tailored to the task. The models facilitate refined yet tractable data exploration by using graphs to represent complex stochastic dependencies between considered variables. Models based on directed graphs, in particular, provide the state-of-the-art approach for detailed exploration of cause-effect relationships. However, modern applications of graphical models face numerous challenges such as key variables being latent (i.e., unobservable/unobserved), lacking temporal resolution in studies of feedback loops, and limited experimental interventions. Often arising in combination, these issues generally result in observed stochastic structure that cannot be characterized using the established notion of conditional independence. As a result, we are left with only a partial understanding of which aspects of a system can be inferred from the available data, and we lack effective methods for fundamental problems such as inference in the presence of feedback loops. The aim of the new project is to move beyond conditional independence structure to obtain a deeper understanding of the inherent limitations on what can be inferred from imperfect measurements, and to design novel statistical methodology to infer estimable quantities. The unique feature of the proposed work is a focus on algebraic relations among moments of probability distributions and the subtle statistical issues arising when such relations are to be exploited in practical methodology.

Conecta tu I+D

Entra hoy

¿Olvidé mi contraseña?

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores