La compréhension de mécanismes causaux permet d’anticiper la façon dont un système se comportera lorsqu’il fera l’objet d’une intervention. Actuellement l’approche standard visant à mettre en évidence des relations de cause à effet consiste à effectuer des essais contrôlés randomisés (Sibbald & Roland (1998)). Il existe cependant de nombreuses situations où ce type d’expérimentations ne peut s’effectuer notamment pour des raisons d’éthiques et/ou de coûts. Au cours des dernières décennies, pour tenter de s’affranchir de ce problème, de nombreux algorithmes ont été développés pour mettre en évidence des relations causales à partir de données purement observationnelles (Glymour et al. (2019), Vowels et al. (2021)). Corrélation n’étant pas causalité, toutes ces méthodes requièrent l’acceptation d’hypothèses fortes et beaucoup d’entre elles ne fournissent actuellement pas l’unicité de la structure causale sous-jacente, mais des familles de structures causales candidates à l’origine des données générées. Tout l’enjeu de l’apprentissage causal (ou découverte causale /causal discovery) consiste donc à rechercher des moyens de relâcher ces hypothèses et à réduire le nombre de structures candidates potentielles. Cette présentation s’efforcera de poser les hypothèses sous-jacentes à cette problématique ainsi qu’un bref état de l’art des approches actuellement proposées dans ce domaine.
Ref :
Bonnie Sibbald and Martin Roland. Understanding controlled trials. why are randomised controlled trials important? BMJ: British Medical Journal, 316(7126):201, 1998
Clark Glymour, Kun Zhang, and Peter Spirtes. Review of causal discovery methods based on graphical models. Frontiers in genetics, 10:524, 2019
Matthew J Vowels, Necati Cihan Camgoz, and Richard Bowden. D’ya like dags? a survey on structure learning and causal discovery. ACM Computing Surveys (CSUR), 2021.
