AI 용어집
인공지능 완전 사전
Graphes acycliques dirigés
Représentation mathématique des relations causales où les nœuds sont des variables et les arêtes orientées indiquent l'influence directe d'une variable sur une autre. Les DAGs permettent de visualiser et d'analyser la structure causale sous-jacente des décisions de l'IA.
Méthode de Rubin
Cadre formel pour l'inférence causale basé sur les résultats potentiels, où chaque unité a des résultats hypothétiques sous différents traitements. Ce modèle permet de définir précisément les effets causaux comme des différences entre résultats potentiels.
Biais de confondant
Erreur systématique dans l'estimation causale due à des variables influençant simultanément le traitement et le résultat, créant de fausses associations. L'identification et le contrôle des confondants sont essentiels pour une inférence causale valide.
Méthodes de matching
Techniques d'appariement d'unités traitées et non traitées sur la base de caractéristiques observables pour créer des groupes comparables dans les études observationnelles. Ces méthodes permettent d'estimer les effets causaux en éliminant les différences systématiques entre groupes.
Double différenciation
Stratégie d'identification causale comparant les changements dans les résultats au fil du temps entre un groupe traité et un groupe de contrôle. Cette méthode contrôle pour les tendances communes et les caractéristiques invariantes dans le temps.
Régression par discontinuité
Design quasi-expérimental exploitant les seuils de traitement pour identifier les effets causaux locaux autour des points de coupure. Cette méthode compare les unités juste de part et d'autre du seuil pour isoler l'impact causal du traitement.
Critère de Pearl
Ensemble de règles formelles permettant de déterminer si un effet causal peut être identifié à partir d'un graphe causal et de données observationnelles. Ce do-calculus fournit un cadre mathématique pour manipuler les expressions causales dans les modèles graphiques.
Modèles structurels causaux
Représentations mathématiques combinant des équations structurelles et des graphes pour modéliser les mécanismes génératifs des données. Ces modèles permettent de simuler des interventions et de calculer des effets causaux contrefactuels.
Effet hétérogène du traitement
Variation de l'effet causal d'un traitement à travers différents sous-groupes ou individus dans la population. L'analyse de l'hétérogénéité permet d'identifier pour qui le traitement est le plus ou le moins efficace.
Contrefactuel par plus proches voisins
Méthode de génération d'explications contrefactuelles basée sur la recherche d'exemples similaires dans l'espace des caractéristiques ayant des prédictions différentes. Cette approche fournit des explications intuitives basées sur des cas réels ou proches.
Analyse des chemins causaux
Technique décomposant l'effet total d'une variable en effets directs et indirects à travers des médiateurs spécifiés. Cette analyse permet de comprendre les mécanismes par lesquels une variable influence un résultat dans les systèmes d'IA.