[Seminar] Structural Equation Modeling to latent causal representation learning for more trustable ML

Le prochain séminaire LIVIA se tiendra le Jeudi 21 juillet à 12h00 en mode hybride.

Titre: Modélisation d'équations structurelles à l'apprentissage de la représentation causale latente pour un ML plus fiable
par Pr Myriam Tami, Paris-Saclay, CentraleSupélec

Abstract:
Des modèles d'équations structurelles (SEM) avec des variables latentes (LV) sont utilisés pour modéliser les relations entre les variables observables et latentes. Nous présenterons une approche d'estimation d'un modèle SEM avec des LV basée sur sa maximisation de vraisemblance globale par l'algorithme EM. Nous donnerons les résultats numériques de cette approche sur des données simulées et montrerons, via une application sur des données environnementales réelles, comment construire concrètement un modèle et évaluer sa qualité. Enfin, nous appliquons l'approche développée dans le cadre d'un essai clinique en oncologie pour étudier les données longitudinales de qualité de vie. Nous montrons qu'en réduisant efficacement la dimension des données, l'approche EM simplifie l'analyse longitudinale de la qualité de vie en évitant les tests multiples. Ainsi, il contribue à faciliter l'évaluation du bénéfice clinique d'un traitement.
Ensuite, après avoir introduit quelques concepts clés du domaine de la causalité, nous motiverons l'intérêt à considérer les modèles SEM avec LV dans ce domaine de recherche en pleine croissance. En effet, l'identification des relations causales entre les variables observées a attiré beaucoup d'attention dans les domaines de l'apprentissage statistique et de l'IA. Ce domaine, bien connu sous le nom de découverte causale, comprend désormais principalement une gamme d'approches qui ne considèrent pas la présence de VG et qui rencontrent des limites dans la gestion d'un grand nombre de variables. Nous verrons que le SEM avec LVs peut être une réponse à ces limitations et constituer une piste de recherche intéressante à explorer ensemble.

Bio:
Myriam TAMI (PhD 2016, Université de Montpellier, Institut Montpelliérain Alexander Grothendieck, sud de la France) est Maître de conférences à l'Université Paris-Saclay, CentraleSupélec, laboratoire MICS. Ses travaux de recherche portent sur l'IA, l'apprentissage automatique, l'apprentissage des représentations, la causalité et les modèles dans le contexte de données complexes ou hétérogènes, par exemple, multimodales, structurées et non structurées avec des variables parfois latentes, avec incertitude ou faiblement étiquetées. Ses publications et son profil de recherche peuvent être consultés sur sa page web ou Google Scholar via les liens suivants.
Page web: https://myriamtami.github.io/
Érudit Google : https://scholar.google.com/citations?hl=fr&user=kavk5oUAAAAJ