Causal Discovery in Non-Ideal Frameworks
Stijn Meganck, Philippe J. Leray, Bernard Manderick, Mohand Boughanem, Salem Benferhat, Guy Mélançon · VUBIR (Vrije Universiteit Brussel) · 2009
Les reseaux bayesiens causaux (RBc) sont un formalisme bien connu pour la repśentation de relations causales dans un ensemble de variables. La decouverte de ces relations causales passe gnralement par l'utilisation de donnees d'experimentation puisque l'observation seule de ces variables ne permet d'identifier que le graphe partiellement oriente, reprsentant de la classe d'equivalence de Markov. Cette decouverte de relations causales a partir de donnes est un atout non negligeable dans de nombreux domaines d'application. La plupart des algorithmes realisant cette tâche font deux hypotheses classiques quifacilitent grandement la decouverte de causalite: tout d'abord toutes les variables du modeles sont determinees, et l'on possede ensuite un nombre suffisant de mesures de ces variables. Dans nos travaux, nous partons des methodes existants dans ce cadre ideal comme point de depart pour de nouveaux algorithmes fonctionnant dans des situations moins ideales. Nous presentons ainsi deux algorithmes UnCaDo, qui peut etre utilise lorsque le nombre de donnees initiales est trop faible pour realiser des tests statistiques fiables et MyCaDo++, qui peut etre utilise pour decouvrir la presence de variables latentes. Ces algorithmes permettent alors de proposer des plans d'experiences permettant de determiner la structure causale sous-jacente.