Glossaire IA
Le dictionnaire complet de l'Intelligence Artificielle
Modèles Causaux Structurels (SCM)
Formalisation mathématique des relations de cause à effet utilisant des équations structurelles et des variables latentes.
Graphes Acycliques Dirigés (DAG)
Représentation visuelle des dépendances causales entre variables sans cycles directionnels.
Do-Calculus de Pearl
Ensemble de règles formelles pour manipuler les expressions causales et calculer les effets des interventions.
Inférence Causale Contrefactuelle
Analyse des scénarios hypothétiques pour estimer ce qui se serait passé si une cause différente s'était produite.
Score de Propension
Technique pour estimer la probabilité de traitement et réduire les biais de sélection dans les études observationnelles.
Variables Instrumentales
Méthode utilisant des variables externes pour identifier les effets causaux en présence de variables de confusion non observées.
Médiation Causale
Analyse des mécanismes intermédiaires par lesquels une cause produit son effet sur une variable de résultat.
Causalité en Séries Temporelles
Détection et analyse des relations de cause à effet dans les données séquentielles temporelles.
Inférence Causale en Haute Dimension
Techniques adaptées pour identifier les relations causales avec un grand nombre de variables par rapport aux observations.
Expériences Naturelles et Quasi-Expérimentales
Méthodes exploitant des événements exogènes ou des variations naturelles pour estimer les effets causaux.
Apprentissage Causal par Renforcement
Intégration des principes causaux dans les algorithmes d'apprentissage par renforcement pour améliorer la généralisation.
Discovery Causale
Algorithmes pour découvrir automatiquement la structure causale sous-jacente à partir de données observationnelles.