权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

III: Medium: Collaborative Research: A Unified and Declarative Approach to Causal Analysis for Big Data

III：媒介：协作研究：大数据因果分析的统一声明式方法

基本信息

批准号：
1703281
负责人：
Dan Suciu
金额：
$ 40.8万
依托单位：
University of Washington
依托单位国家：
美国
项目类别：
Standard Grant
财政年份：
2017
资助国家：
美国
起止时间：
2017-09-01 至 2021-08-31
项目状态：
已结题

来源：
https://www.nsf.gov/awardsearch/showAward?AWD_ID=1703281&HistoricalAwards=false
关键词：
III Medium Collaborative Research Unified

项目摘要

Observational data is available today in multi-relational form, often extracted from various sources, and stored in multiple flat and interrelated tables. Standard statistical methods for conducting causal inference on observational data assume a very simple data model: a single table with independent units. This research has the potential to significantly impact application domains where differentiating causality from correlation is essential, e.g., education policy and cancer genomics. The HUME project develops techniques for efficient causal analysis using a declarative approach, over complex views, and over large datasets that are integrated from disparate data sources. HUME uses a SQL-like language and is integrated with a relational database system.The project develops techniques for defining arbitrarily complex units, treatments, outcomes, and covariates, by combining joins, data mapping, and aggregates across multiple tables, and uses a causal network to choose a good set of covariates for causal inference. The first part of the project develops scalable techniques for sub-classification and matching for large data sets obtained by declaratively integrating multiple data sources. The second part of the project develops scalable methods for discovering causal relationships among the attributes in the views by constraint-based, search-based, and hybrid discovery processes. Finally, the third part of the project investigates interferences among units arising from the complex views by designing normal forms and automatic inference of underlying assumptions exploiting techniques from database theory.

如今，观测数据以多关系形式提供，通常从各种来源提取，并存储在多个平面和相互关联的表中。对观测数据进行因果推断的标准统计方法假设一个非常简单的数据模型：一个具有独立单位的单一表格。这项研究有可能对区分因果关系和相关性至关重要的应用领域产生重大影响，例如，教育政策和癌症基因组学。HUME项目开发了使用声明式方法进行有效因果分析的技术，用于复杂视图和从不同数据源集成的大型数据集。 HUME使用一种类似SQL的语言，并与关系数据库系统集成。该项目开发了定义任意复杂单位，处理，结果和协变量的技术，通过组合连接，数据映射和多个表的聚合，并使用因果网络选择一组良好的协变量进行因果推理。该项目的第一部分开发了可扩展的技术，用于通过声明性地集成多个数据源获得的大型数据集的子分类和匹配。该项目的第二部分开发了可扩展的方法，通过基于约束的，基于搜索的和混合的发现过程来发现视图中属性之间的因果关系。最后，该项目的第三部分调查的单位之间的干扰所产生的复杂的意见，通过设计规范形式和自动推理的基本假设，利用技术从数据库理论。

项目成果

期刊论文数量（7）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

Bag Query Containment and Information Theory

包查询遏制和信息论

DOI：
10.1145/3472391
发表时间：
2021
期刊：
ACM Transactions on Database Systems
影响因子：
1.8
作者：
Khamis, Mahmoud Abo;Kolaitis, Phokion G.;Ngo, Hung Q.;Suciu, Dan
通讯作者：
Suciu, Dan

Causal Relational Learning

DOI：
10.1145/3318464.3389759
发表时间：
2020-04
期刊：
Proceedings of the 2020 ACM SIGMOD International Conference on Management of Data
影响因子：
0
作者：
Babak Salimi;Harsh Parikh;Moe Kayali;Sudeepa Roy;L. Getoor;Dan Suciu
通讯作者：
Babak Salimi;Harsh Parikh;Moe Kayali;Sudeepa Roy;L. Getoor;Dan Suciu

Probabilistic Databases for All

适合所有人的概率数据库