Comment construire un modèle causal à partir de données observationnelles ?

How to build a causal model from observational data?

• Auteur / Autrice : Thomas Weikert
• Direction : Johanne Cohen
• Type : Projet de thèse
• Discipline(s) : Informatique
• Date : Inscription en doctorat le 31/12/2024
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication
• Partenaire(s) de recherche : Laboratoire : Laboratoire Interdisciplinaire des Sciences du Numérique
• Partenaire(s) de recherche : Equipe de recherche : GALaC - Graphes, Algorithmes et Combinatoire
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay

Mots clés

Mots clés libres

Modélisation causale

Machine learning

Optimisation

Machine learning

Causal model

Optimization

Résumé

L'intelligence artificielle rencontre des défis liés à l'utilisation des modèles appris, notamment des biais dans la collecte de données et des risques éthiques comme les prophéties autoréalisatrices. Cette thèse vise à résoudre ces problèmes en utilisant des modèles causaux, essentiels pour distinguer corrélation et causalité. La modélisation causale observationnelle s'impose comme une alternative pour construire des modèles causaux à partir de données observées. Le projet explore quatre axes : gérer la rareté des données, garantir l'identifiabilité, apprendre des représentations interprétables et intégrer des connaissances tout en gérant les incertitudes.

Artificial intelligence (AI) faces challenges related to the use of learned models, including biases in data collection and ethical risks such as self-fulfilling prophecies. This thesis aims to address these issues by leveraging causal models, which are essential for distinguishing correlation from causation. Observational causal modeling has emerged as an alternative to build causal models from observed data. The project focuses on four key areas: managing data scarcity, ensuring identifiability, learning interpretable representations, and incorporating knowledge while handling uncertainties.