BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//CERN//INDICO//EN
BEGIN:VEVENT
SUMMARY:Apprentissage de structures graphiques à partir de données obser
 vationnelles : principes et méthodes de la découverte causale.
DTSTART:20231124T100000Z
DTEND:20231124T110000Z
DTSTAMP:20260504T201300Z
UID:indico-event-10004@indico.math.cnrs.fr
DESCRIPTION:Speakers: Grégory Guernec (Inserm et UT3)\n\nLa compréhensio
 n de mécanismes causaux permet d’anticiper la façon dont un système s
 e comportera lorsqu’il fera l’objet d’une intervention. Actuellement
  l’approche standard visant à mettre en évidence des relations de caus
 e à effet consiste à effectuer des essais contrôlés randomisés (Sibba
 ld & Roland (1998)). Il existe cependant de nombreuses situations où ce t
 ype 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 ét
 é 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 c
 ausal (ou découverte causale /causal discovery) consiste donc à recherch
 er des moyens de relâcher ces hypothèses et à réduire le nombre de str
 uctures candidates potentielles. Cette présentation s’efforcera de pose
 r 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 trial
 s. why are randomised controlled trials important? BMJ: British Medical J
 ournal\, 316(7126):201\, 1998 Clark Glymour\, Kun Zhang\, and Peter Spirt
 es. Review of causal discovery methods based on graphical models. Frontie
 rs in genetics\, 10:524\, 2019 Matthew J Vowels\, Necati Cihan Camgoz\, a
 nd Richard Bowden. D’ya like dags? a survey on structure learning and ca
 usal discovery. ACM Computing Surveys (CSUR)\, 2021. \n\nhttps://indico.
 math.cnrs.fr/event/10004/
URL:https://indico.math.cnrs.fr/event/10004/
END:VEVENT
END:VCALENDAR