एआई शब्दावली
आर्टिफिशियल इंटेलिजेंस का पूर्ण शब्दकोश
Causal Bayesian Networks
Graphes acycliques dirigés modélisant explicitement les relations causales entre variables, où les edges représentent des mécanismes causaux et les nœuds les variables, permettant des interventions et des calculs contrefactuels.
Propensity Score Matching with ML
Utilisation d'algorithmes d'apprentissage automatique (gradient boosting, random forests) pour estimer plus précisément les scores de propension dans des contextes de haute dimension, améliorant ainsi l'équilibre covariable entre groupes traités et contrôles.
Instrumental Variables with Neural Networks
Approche intégrant des réseaux de neurones pour modéliser des relations non-linéaires complexes entre variables instrumentales, traitement et outcome, surmontant les limitations des méthodes IV linéaires traditionnelles.
Causal Inference Trees
Arbres de décision modifiés spécifiquement pour identifier des sous-populations avec des effets de traitement hétérogènes, utilisant des critères de division basés sur des tests d'interaction traitement-covariable plutôt que sur la pureté des outcomes.
Neural Causal Models
Architectures de réseaux de neurones profond conçues pour apprendre des représentations invariantes et des mécanismes causaux, intégrant des contraintes structurelles pour garantir l'interprétabilité causale et la robustesse aux changements de distribution.
Counterfactual Regression
Méthode d'apprentissage de représentations utilisant des réseaux de neurones pour apprendre des embeddings balancés où les distributions de covariables traitées et non traitées sont indistinguables, facilitant l'estimation des effets causaux individuels.
Meta-learners for CATE
Cadre algorithmique comprenant S-learner, T-learner, X-learner et R-learner qui utilisent des modèles ML de base comme briques pour estimer les effets de traitement conditionnels moyens de manière flexible et non-paramétrique.
Orthogonal Random Forest
Extension des random forests intégrant des principes d'orthogonalisation pour réduire le biais dans l'estimation des effets causaux, particulièrement efficace en présence de confondants de haute dimension avec des effets non-linéaires.
Structural Causal Models with Deep Learning
Intégration de réseaux de neurones profonds dans les équations structurelles des modèles SCM pour capturer des relations causales non-linéaires complexes tout en préservant l'interprétabilité et la capacité de raisonnement contrefactuel.
Causal Discovery Algorithms
Algorithmes (PC, FCI, GES, NOTEARS) utilisant l'apprentissage automatique pour inférer automatiquement la structure causale à partir de données observationnelles, souvent avec des contraintes de parcimonie et des tests d'indépendance non-paramétriques.
Doubly Robust Neural Estimators
Estimateurs causaux combinant des réseaux de neurones pour modéliser les outcomes et les propensity scores, garantissant la consistance si l'un ou l'autre des modèles est correctement spécifié, particulièrement utile en haute dimension.
Invariant Risk Minimization
Principe d'apprentissage cherchant des représentations où les prédicteurs de l'outcome restent invariants à travers différents environnements, servant de proxy pour l'apprentissage de mécanismes causaux robustes aux changements de distribution.
G-computation with ML
Méthode d'estimation causale paramétrique utilisant des modèles ML avancés (gradient boosting, neural nets) pour approximer la distribution conditionnelle de l'outcome, permettant de simuler des interventions et d'estimer les effets causaux marginaux.
Heterogeneous Treatment Effect Discovery
Processus utilisant des algorithmes ML pour identifier automatiquement les sous-groupes présentant des réponses au traitement significativement différentes, combinant clustering et estimation d'effets pour personnaliser les interventions.