Théotime Le Goff

Résumé :

Une première contribution étudie la prédiction hors distribution lorsque certaines variables du système causal ne sont pas observées. Elle introduit l’hypothèse de Target-Independence et la Mixed Stable Blanket, qui, dans le cadre de modèles causaux structurels linéaires additifs partiellement observés, est à la fois invariante et optimale au sens de la régression. Sous cette hypothèse, les simulations montrent que la Stabilized Regression privilégie des prédicteurs robustes aux changements d’environnement et peut retrouver la Mixed Stable Blanket à partir des données observées.

Une deuxième contribution propose la Structural Causal Model Discrepancy (SCMD), une pseudo-distance à noyaux qui compare deux modèles causaux à partir des distributions interventionnelles qu’ils induisent pour des valeurs d’intervention fixées. Elle permet de comparer les modèles au niveau de leurs effets causaux, en complément des distances observationnelles et graphiques. Les expériences menées sur des données synthétiques et sur des données de signalisation protéique montrent que la SCMD peut révéler des différences liées à la structure ou aux mécanismes causaux, y compris lorsque la distribution observationnelle ou le graphe restent inchangés.

Enfin, une troisième contribution analyse le lien entre divergence interventionnelle et performance prédictive hors distribution. Les résultats montrent qu’une divergence interventionnelle importante ne conduit pas systématiquement à une forte dégradation prédictive : l’effet d’un changement d’environnement sur la performance dépend de la variable que l’on cherche à prédire et des variables utilisées comme prédicteurs. La SCMD constitue ainsi un diagnostic global de l’ampleur du changement, tandis que les termes de Maximum Interventional Mean Discrepancy permettent d’en localiser certaines composantes dans le graphe causal.