Institut multidisciplinaire d'intelligence artificielle

DESCRIPTION

Les principes et la méthodologie de la modélisation causale amélioreront considérablement la robustesse, le fondement et l'interprétabilité du cycle de l'IA (des données aux modèles, des modèles aux décisions, et des décisions aux nouvelles données). Dans ce cadre, nous nous concentrerons sur plusieurs aspects clés. Dans un premier temps, nous donnerons la priorité au développement d'une représentation causale. Les propositions actuelles impliquent souvent l'apprentissage de représentations non supervisées qui diminuent la dimensionnalité mais sacrifient l'interprétabilité des variables. Nous visons à résoudre ce problème en considérant des méta-variables interprétables. En outre, nous souhaitons étudier la relation entre la sélection des caractéristiques en statistique et l'inférence causale. Par exemple, nous prévoyons de comparer les caractéristiques sélectionnées par l'estimateur Lasso et la couverture de Markov associée à un graphe causal. Peut-on combiner les deux ? Laquelle est préférable pour une prédiction robuste ? Enfin, nous avons l'intention d'effectuer une analyse approfondie de la robustesse par rapport aux scénarios hors distribution. Cela impliquera un contrôle théorique de l'erreur de généralisation sur un ensemble de test qui est significativement différent de l'ensemble d'apprentissage.

ACTIVITÉS

1 postdoc (Daria Bystrova) et 1 PhD (Théotime Le Goff) à partir de Nov. 2023

Une visite au laboratoire de causalité de Copenhague au printemps 2024