Survol

[ English ]

La dimensionalité des données est un défi de plus en plus important en inférence causale. Par exemple, la structure des réseaux d'apprentissage depuis les données d'observation suscite un grand intérêt dans l'utilisation des statistiques génétiques, des microbiomiques, des applications aux réseaux sociaux, etc. Si un grand nombre d'éléments perturbateurs est disponible, la découverte de structures plausibles DAG est en soi un obstacle majeur à la correction de l'ajustement des éléments perturbateurs et le recours dans l'expertise sur le sujet est incertain. Une stratégie pour la découverte de la structure causale est basée sur l'algorithme PC qui effectue des vérifications d'hypothèses séquentielles sur la dépendance et la simplification de la structure et de l'orientation. Cependant cet algorithme est essentiellement heuristique et ne s'applique pas aux données de grande dimension. Ce sujet portera sur les nouvelles approches à la découverte de structures causales avec pour cible les paramètres de haute dimension et les enjeux actuels en inférence de réseaux.