Lei ZAN

Résumé :

Cette thèse explore le sujet de la découverte causale à partir de séries temporelles hétérogènes.

Dans la première partie, je présenterai une méthode utilisant l'information mutuelle (conditionnelle) pour évaluer l'indépendance (conditionnelle) entre des variables de types hétérogènes, incluant à la fois des données qualitatives et quantitatives. En utilisant cet estimateur, un nouveau test de permutation locale est introduit, spécifiquement adapté aux variables hétérogènes. Appliqué à des données réelles de surveillance informatique, les résultats montrent que l'intégration d'un plus large éventail de variables, en particulier hétérogènes, améliore la découverte de relations causales et permet une meilleure compréhension du système.

Dans la deuxième partie, un modèle causal structurel est présenté pour décrire les mécanismes causaux basés sur des événements dans les systèmes informatiques à seuils, ainsi qu'un nouvel algorithme permettant de détecter rapidement les causes racines des anomalies. Cette méthode s'avère inefficace lorsque les causes racines sont liées causalement. Pour traiter cette hypothèse, une extension impliquant l'intervention d'agents est proposée.

Dans la troisième partie, je traite le problème des séries temporelles présentant plusieurs régimes cohérents par morceaux, chacun étant régi par des mécanismes causaux distincts. La méthode proposée partitionne la série temporelle en régimes appropriés et identifie le vrai graphe causal, en intégrant à la fois des connexions instantanées et décalées dans chaque régime.