Êtes-vous un étudiant de l'EPFL à la recherche d'un projet de semestre?
Travaillez avec nous sur des projets en science des données et en visualisation, et déployez votre projet sous forme d'application sur Graph Search.
Cette séance de cours de l'instructeur aborde le sujet de la découverte causale basée sur des modèles variables latents. Elle se penche sur le problème fondamental de l'analyse causale, en distinguant entre les méthodes sans hypothèse et les méthodes fondées sur l'hypothèse. La séance de cours explore les défis de l'identification des relations causales dans les données non gaussiennes et l'importance d'envisager les effets temporels par rapport aux effets instantanés. Il introduit le concept de modèle acyclique linéaire non gaussien (LiNGAM) et explique comment la non gaussienité peut briser la symétrie entre les variables, aidant à l'inférence causale. La séance de cours traite également de l'estimation de LiNGAM à l'aide de l'analyse indépendante des composants (ICA) et des difficultés et solutions dans les modèles d'équation structurale non linéaires (SEM) grâce à des méthodes comme NonSENS. Il conclut en soulignant l'importance de trouver la direction de l'effet dans la découverte causale et les perspectives d'avenir dans ce domaine.