AI 词汇表
人工智能完整词典
Graphe Causal Orienté (GCO/DAG)
Représentation graphique des relations causales où les nœuds sont des variables et les arêtes orientées indiquent des influences causales directes. Les DAGs (Directed Acyclic Graphs) ne peuvent contenir de cycles, reflétant l'asymétrie temporelle des relations causales.
Séparation par d (d-separation)
Critère graphique permettant de déterminer si deux ensembles de variables sont conditionnellement indépendants dans un graphe causal orienté. Constitue la fondation du do-calculus pour identifier les chemins causaux bloqués ou ouverts.
Identifiabilité causale
Propriété déterminant si un effet causal peut être calculé de manière unique à partir de données observationnelles et du graphe causal. L'identifiabilité dépend de la structure du graphe et de l'ensemble des variables observables.
Confounding
Phénomène où une troisième variable influence simultanément le traitement et le résultat, créant une association non causale entre eux. Le confounding est l'obstacle principal à l'inférence causale à partir de données observationnelles.
Médiateur causal
Variable intermédiaire dans la chaîne causale entre traitement et résultat, transmettant l'effet du traitement. L'analyse de médiation permet de décomposer l'effet total en effets directs et indirects.
Collier causal
Structure où une variable est influencée par deux autres variables, créant une dépendance conditionnelle entre ces dernières. Les colliers peuvent bloquer ou ouvrir des chemins causaux selon les variables conditionnées.
Troncature causale
Structure où une variable influence deux autres variables, créant une association entre ces dernières lorsque la cause commune est conditionnée. La troncature peut introduire des biais de sélection dans l'analyse causale.
Do-operator
Opérateur mathématique représentant une intervention qui force une variable X à prendre la valeur x, indépendamment de ses causes naturelles. Le do-operator est central dans le formalisme de Pearl pour distinguer corrélation de causalité.
潜在结果框架
一种基于潜在结果（或反事实）的因果推断替代方法，用于每个单元在不同处理下的结果。即使每个单元仅观察到一种处理，也能为定义因果效应提供理论框架。