Towards an Integral Approach for Modeling Causality
Résumé
From conventional observation data , it is rarely possible to determine a fully causal Bayesian network. The theoretical point at which we are interested is learning causal Bayesian networks , with or without latent variables. We first focused on the discovery of causal relationships when all variables are known ( ie there are no latent variables ) proposing a learning algorithm using both data from observations and experiments. Logically, we then focused on the same problem when all the variables are not known . We must therefore discover both causal relationships between variables and the presence of latent variables in a Bayesian network structure. To do this, we try to unify two formalisms , semi- Markovian causal models (SMCM) and maximum ancestral graphs (MAG), previously used separately , one for causal inference (SMCM), the other for the discovery of causality (MAG) . We are also interested in the adaptation of causal Bayesian networks for multi -agent systems, and learning these multi-agent causal models (MACM) .
A partir de données d'observation classiques, il est rarement possible d'arriver à une structure de réseau bayésien qui soit complètement causale. Le point théorique auquel nous nous intéressons est l'apprentissage des réseaux bayésiens causaux, avec ou sans variables latentes. Nous nous sommes d'abord focalisés sur la découverte de relations causales lorsque toutes les variables sont connues (i.e. il n'y a pas de variables latentes) en proposant un algorithme d'apprentissage utilisant à la fois des données issues d'observations et d'expérimentations. Logiquement, nous nous sommes ensuite concentrés sur le même problème lorsque toutes les variables ne sont pas connues. Il faut donc découvrir à la fois des relations de causalité entre les variables et la présence éventuelle de variables latentes dans la structure du réseau bayésien. Pour cela, nous tentons d'unifier deux formalismes, les modèles causaux semi-markoviens (SMCM) et les graphes ancestraux maximaux (MAG), utilisés séparément auparavant, l'un pour l'inférence causale (SMCM), l'autre pour la découverte de causalité (MAG). Nous nous sommes aussi interessé à l'adaptation de réseaux bayésiens causaux pour des systèmes multi-agents, et sur l'apprentissage de ces modèles causaux multi-agents (MACM).
Loading...