Generative Neural networks to infer Causal Mechanisms: Algorithms and applications
Réseaux de Neurones Génératifs pour la Découverte de Mécanismes Causaux: Algorithmes et Applications
Abstract
Causal discovery is of utmost importance for agents who must plan, reason and
decide based on observations; where mistaking correlation with causation might
lead to unwanted consequences. The gold
standard to discover causal relations is to perform experiments.
However, experiments are in many cases expensive, unethical, or impossible to
realize. In these situations, there is a need for observational causal
discovery, that is, the estimation of causal relations from observations alone.
Causal discovery in the observational data setting traditionally involves
making significant assumptions on the data and on the underlying causal model.
This thesis aims to alleviate some of the assumptions made on the causal models by exploiting the modularity and expressiveness
of neural networks for causal discovery, leveraging both conditional
independences and simplicity of the causal mechanisms through two algorithms.
Extensive experiments
on both simulated and real-world data and a throughout theoretical anaylsis
prove the good performance and the soundness of the proposed
approaches.
La découverte de relations causales est primordiale pour la planification,
le raisonnement et la decision basée sur des données d'observations; confondre
correlation et causalité ici peut mener à des conséquences indésirables. La
référence pour la découverte de relations causales est d'effectuer des
expériences contrôlées. Mais dans la majorité des cas, ces expériences sont
coûteuses, immorales ou même impossibles à réaliser. Dans ces cas, il est
nécessaire d'effectuer la découverte causale seulement sur des données
d'observations.
Dans ce contexte de causalité observationnelle, retrouver des relations causales
introduit traditionellement des hypothèses considérables sur les données et sur
le modèle causal sous-jacent.
Cette thèse vise à relaxer certaines de ces hypothèses en exploitant la
modularité et l'expressivité des réseaux de neurones pour la causalité, en
exploitant à la fois et indépendences conditionnelles et la simplicité des
méchanismes causaux, à travers deux algorithmes. Des expériences extensives sur
des données simulées et sur des données réelles ainsi qu'une analyse théorique
approfondie prouvent la cohérence et bonne performance des approches proposées.
Origin : Files produced by the author(s)
Loading...