Séance de cours

La causalité et l'apprentissage automatique invariant

Graph Chat

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.

Description

Cette séance de cours couvre les concepts de causalité, de corrélation et de corrélations fallacieuses dans l'apprentissage automatique, soulignant l'importance de distinguer entre eux. Il traite des problèmes qui se posent lorsque les modèles d'apprentissage automatique ignorent le lien de causalité et les biais qui peuvent résulter de corrélations fallacieuses. L'objectif est d'éliminer ces corrélations fallacieuses grâce aux techniques d'atténuation des biais et à l'inférence causale. En outre, la séance de cours explore l'idée de l'invariance entre les environnements et le développement de modèles invariants pour améliorer la robustesse, réduire les biais et améliorer la généralisation dans les applications d'apprentissage automatique.

Source officielle

Concepts associés (25)

Corrélation (statistiques)

En probabilités et en statistique, la corrélation entre plusieurs variables aléatoires ou statistiques est une notion de liaison qui contredit leur indépendance. Cette corrélation est très souvent réduite à la corrélation linéaire entre variables quantitatives, c’est-à-dire l’ajustement d’une variable par rapport à l’autre par une relation affine obtenue par régression linéaire. Pour cela, on calcule un coefficient de corrélation linéaire, quotient de leur covariance par le produit de leurs écarts types.

Cum hoc ergo propter hoc

Cum hoc ergo propter hoc (latin signifiant avec ceci, donc à cause de ceci) est un sophisme qui consiste à prétendre que si deux événements sont corrélés, alors, il y a un lien de cause à effet entre les deux. La confusion entre corrélation et causalité est appelée effet cigogne en zététique (en référence à la corrélation trompeuse entre le nombre de nids de cigognes et celui des naissances humaines) ; en science et particulièrement en statistique cette erreur est rappelée par la phrase « la corrélation n'implique pas la causalité », en latin : cum hoc sed non propter hoc (avec ceci, cependant pas à cause de ceci).

Pearson correlation coefficient

In statistics, the Pearson correlation coefficient (PCC) is a correlation coefficient that measures linear correlation between two sets of data. It is the ratio between the covariance of two variables and the product of their standard deviations; thus, it is essentially a normalized measurement of the covariance, such that the result always has a value between −1 and 1. As with covariance itself, the measure can only reflect a linear correlation of variables, and ignores many other types of relationships or correlations.

Spurious relationship

In statistics, a spurious relationship or spurious correlation is a mathematical relationship in which two or more events or variables are associated but not causally related, due to either coincidence or the presence of a certain third, unseen factor (referred to as a "common response variable", "confounding factor", or "lurking variable"). An example of a spurious relationship can be found in the time-series literature, where a spurious regression is a one that provides misleading statistical evidence of a linear relationship between independent non-stationary variables.

Inférence causale

L'inférence causale est le processus par lequel on peut établir une relation de causalité entre un élément et ses effets. C'est un champ de recherche à la croisée des statistiques, de l'économétrie, de l'épidémiologie, de la méthodologie politique et de l'intelligence artificielle. En 1920, Sewall Wright développe la première path analysis. Cette analyse graphique des relations de causalité entre les variables constitue selon Judea Pearl un travail pionnier dans l'inférence causale.

Afficher plus

Séances de cours associées (50)

Analyse des données immobilières: Statistiques descriptives

Explorer l'analyse des données immobilières au moyen de statistiques descriptives, de corrélations, de régressions et de méthodes de prévision.

Autocorrélation et périodicité

Explore l'autocorrélation, la périodicité et les corrélations fallacieuses dans les données de séries chronologiques, en soulignant l'importance de comprendre les processus sous-jacents et de mettre en garde contre les erreurs d'interprétation.

Inégalités de corrélation

Explore les inégalités de corrélation et leurs applications dans divers contextes.

Décrire les données: statistiques et tests d'hypothèse

Couvre les statistiques descriptives, les tests d'hypothèses et l'analyse de corrélation avec diverses distributions de probabilités et des statistiques robustes.

Capteur de distance à ultrasons

Explore les capteurs de distance à ultrasons, les corrélations croisées pour la réduction des erreurs et les capteurs Doppler pour la mesure du débit.

Afficher plus

Concepts associés (25)

Corrélation (statistiques)

Cum hoc ergo propter hoc

Pearson correlation coefficient

Spurious relationship

Inférence causale

Afficher plus