Generative Neural networks to infer Causal Mechanisms: Algorithms and applications - Inria - Institut national de recherche en sciences et technologies du numérique Accéder directement au contenu
Thèse Année : 2019

Generative Neural networks to infer Causal Mechanisms: Algorithms and applications

Réseaux de Neurones Génératifs pour la Découverte de Mécanismes Causaux: Algorithmes et Applications

Résumé

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.
Fichier principal
Vignette du fichier
main.pdf (2.05 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

tel-02435986 , version 1 (12-01-2020)

Identifiants

  • HAL Id : tel-02435986 , version 1

Citer

Diviyan Kalainathan. Generative Neural networks to infer Causal Mechanisms: Algorithms and applications. Machine Learning [stat.ML]. Université Paris Sud (Paris 11) - Université Paris Saclay, 2019. English. ⟨NNT : ⟩. ⟨tel-02435986⟩
245 Consultations
1591 Téléchargements

Partager

Gmail Facebook X LinkedIn More