(English below)
Mardi 17 Décembre 2019 à 17h à l'amphithéâtre Shannon du Bâtiment 660, Rue Noetzlin, 91190 Gif-sur-Yvette
Soutenance de thèse de Diviyan Kalainathan
Réseaux de Neurones Génératifs pour la Découverte de Méchanismes Causaux: Algorithmes et Applications
encadrée par Pr.Isabelle Guyon et Pr.Michèle Sebag
La découverte de relations causales est primordiale pour la planification, le raisonnement et la decision basée sur des données d'observations; confondre correlation et causalité ici peut mener à des conséquences indésirables. La référence pour la découverte de relations causales est d'effectuer des expériences contrôlées. Mais dans la majorité des cas, ces expériences sont coûteuses, immorales ou même impossibles à réaliser. Dans ces cas, il est nécessaire d'effectuer la découverte causale seulement sur des données d'observations. Dans ce contexte de causalité observationnelle, retrouver des relations causales introduit traditionellement des hypothèses considérables sur les données et sur le modèle causal sous-jacent.
Cette thèse vise à relaxer certaines de ces hypothèses en utilisant la modularité et l'expressivité des réseaux de neurones pour la causalité, en exploitant à la fois et indépendences conditionnelles et la simplicité des méchanismes causaux, à travers deux algorithmes. Des expériences extensives sur des données simulées et sur des données réelles ainsi qu'une analyse théorique approfondie prouvent la cohérence et bonne performance des approches proposées.
Membres du jury
Kristin Bennett, Professeur, Rensselaer Polytechnic Institute | Rapporteur
Kun Zhang, Assistant Professor, Carnegie Mellon University | Rapporteur
Jean-Pierre Nadal, Directeur de Recherche au CNRS, École Normale Supérieure | Examinateur
Julie Josse, Professeur, CMAP & INRIA | Examinateur
===============
Generative Neural Networks to Infer Causal Mechanisms: Algorithms and Applications
supervised by Pr.Isabelle Guyon and Pr.Michèle Sebag
Causal discovery is of utmost importance for agents who must plan, reason and decide based on observations; where mistaking correlation with causation might lead to unwanted consequences. The gold standard to discover causal relations is to perform experiments. However, experiments are in many cases expensive, unethical, or impossible to realize. In these situations, there is a need for observational causal discovery, that is, the estimation of causal relations from observations alone. Causal discovery in the observational data setting traditionally involves making significant assumptions on the data and on the underlying causal model.
This thesis aims to alleviate some of the assumptions made on the causal models by exploiting the modularity and expressiveness of neural networks for causal discovery, leveraging both conditional independencies and simplicity of the causal mechanisms through two algorithms. Extensive experiments on both simulated and real-world data and a throughout theoretical analysis prove the good performance and the soundness of the proposed approaches.
Thesis Committee
Kristin Bennett, Professor, Rensselaer Polytechnic Institute | Reviewer
Kun Zhang, Assistant Professor, Carnegie Mellon University | Reviewer
Jean-Pierre Nadal, Directeur de Recherche au CNRS, École Normale Supérieure | Examiner
Julie Josse, Professor, CMAP & INRIA | Examiner
Mardi 17 Décembre 2019 à 17h à l'amphithéâtre Shannon du Bâtiment 660, Rue Noetzlin, 91190 Gif-sur-Yvette
Soutenance de thèse de Diviyan Kalainathan
Réseaux de Neurones Génératifs pour la Découverte de Méchanismes Causaux: Algorithmes et Applications
encadrée par Pr.Isabelle Guyon et Pr.Michèle Sebag
La découverte de relations causales est primordiale pour la planification, le raisonnement et la decision basée sur des données d'observations; confondre correlation et causalité ici peut mener à des conséquences indésirables. La référence pour la découverte de relations causales est d'effectuer des expériences contrôlées. Mais dans la majorité des cas, ces expériences sont coûteuses, immorales ou même impossibles à réaliser. Dans ces cas, il est nécessaire d'effectuer la découverte causale seulement sur des données d'observations. Dans ce contexte de causalité observationnelle, retrouver des relations causales introduit traditionellement des hypothèses considérables sur les données et sur le modèle causal sous-jacent.
Cette thèse vise à relaxer certaines de ces hypothèses en utilisant la modularité et l'expressivité des réseaux de neurones pour la causalité, en exploitant à la fois et indépendences conditionnelles et la simplicité des méchanismes causaux, à travers deux algorithmes. Des expériences extensives sur des données simulées et sur des données réelles ainsi qu'une analyse théorique approfondie prouvent la cohérence et bonne performance des approches proposées.
Membres du jury
Kristin Bennett, Professeur, Rensselaer Polytechnic Institute | Rapporteur
Kun Zhang, Assistant Professor, Carnegie Mellon University | Rapporteur
Jean-Pierre Nadal, Directeur de Recherche au CNRS, École Normale Supérieure | Examinateur
Julie Josse, Professeur, CMAP & INRIA | Examinateur
===============
Generative Neural Networks to Infer Causal Mechanisms: Algorithms and Applications
supervised by Pr.Isabelle Guyon and Pr.Michèle Sebag
Causal discovery is of utmost importance for agents who must plan, reason and decide based on observations; where mistaking correlation with causation might lead to unwanted consequences. The gold standard to discover causal relations is to perform experiments. However, experiments are in many cases expensive, unethical, or impossible to realize. In these situations, there is a need for observational causal discovery, that is, the estimation of causal relations from observations alone. Causal discovery in the observational data setting traditionally involves making significant assumptions on the data and on the underlying causal model.
This thesis aims to alleviate some of the assumptions made on the causal models by exploiting the modularity and expressiveness of neural networks for causal discovery, leveraging both conditional independencies and simplicity of the causal mechanisms through two algorithms. Extensive experiments on both simulated and real-world data and a throughout theoretical analysis prove the good performance and the soundness of the proposed approaches.
Thesis Committee
Kristin Bennett, Professor, Rensselaer Polytechnic Institute | Reviewer
Kun Zhang, Assistant Professor, Carnegie Mellon University | Reviewer
Jean-Pierre Nadal, Directeur de Recherche au CNRS, École Normale Supérieure | Examiner
Julie Josse, Professor, CMAP & INRIA | Examiner