Apprentissage profond causal - Historique des versions

Arianne le 24 novembre 2024 à 19:22

2024-11-24T19:22:18Z

← Version précédente		Version du 24 novembre 2024 à 15:22
Ligne 1 :		Ligne 1 :
	== Définition ==		== Définition ==
	L'apprentissage profond causal est une spécialisation de l''''apprentissage automatique causal''' qui exploite les connaissances causales partielles entre certaines variables d'intérêt, il caractérise quantitativement la forme fonctionnelle de ces variables et il prend en compte la dimension temporelle, fournissant ainsi des informations significatives aux chercheurs.		L'apprentissage profond causal est une spécialisation de l''''[[apprentissage automatique causal]]''' qui exploite les connaissances causales partielles entre certaines variables d'intérêt, il caractérise quantitativement la forme fonctionnelle de ces variables et il prend en compte la dimension temporelle, fournissant ainsi des informations significatives aux chercheurs.

	== Français ==		== Français ==

Arianne le 23 novembre 2024 à 20:17

2024-11-23T20:17:00Z

← Version précédente		Version du 23 novembre 2024 à 16:17
Ligne 1 :		Ligne 1 :
	== Définition ==		== Définition ==
	L'apprentissage profond causal est ~~un type d~~''''apprentissage automatique causal''' qui exploite les connaissances causales partielles entre certaines variables d'intérêt, il caractérise quantitativement la forme fonctionnelle de ces variables et il prend en compte la dimension temporelle, fournissant ainsi des informations significatives aux chercheurs.		L'apprentissage profond causal est une spécialisation de l''''apprentissage automatique causal''' qui exploite les connaissances causales partielles entre certaines variables d'intérêt, il caractérise quantitativement la forme fonctionnelle de ces variables et il prend en compte la dimension temporelle, fournissant ainsi des informations significatives aux chercheurs.

	== Français ==		== Français ==

Arianne le 21 novembre 2024 à 21:57

2024-11-21T21:57:30Z

← Version précédente		Version du 21 novembre 2024 à 17:57
Ligne 1 :		Ligne 1 :
	== Définition ==		== Définition ==
	L'apprentissage profond causal exploite les connaissances causales partielles entre certaines variables d'intérêt, il caractérise quantitativement la forme fonctionnelle de ces variables et il prend en compte la dimension temporelle, fournissant ainsi des informations significatives aux chercheurs.		L'apprentissage profond causal est un type d''''apprentissage automatique causal''' qui exploite les connaissances causales partielles entre certaines variables d'intérêt, il caractérise quantitativement la forme fonctionnelle de ces variables et il prend en compte la dimension temporelle, fournissant ainsi des informations significatives aux chercheurs.

	== Français ==		== Français ==

Pitpitt le 27 septembre 2024 à 14:26

2024-09-27T14:26:18Z

← Version précédente		Version du 27 septembre 2024 à 10:26
Ligne 20 :		Ligne 20 :


	[[Catégorie:~~publication~~]]		[[Catégorie:Intelligence artificielle]]

			[[Catégorie:GRAND LEXIQUE FRANÇAIS]]

Pitpitt le 27 septembre 2024 à 14:24

2024-09-27T14:24:08Z

← Version précédente		Version du 27 septembre 2024 à 10:24
Ligne 1 :		Ligne 1 :
	~~==en construction==~~

	== Définition ==		== Définition ==
	L'apprentissage profond causal exploite les connaissances causales partielles entre certaines variables d'intérêt, il caractérise quantitativement la forme fonctionnelle de ces variables et il prend en compte la dimension temporelle, fournissant ainsi des informations significatives aux chercheurs.		L'apprentissage profond causal exploite les connaissances causales partielles entre certaines variables d'intérêt, il caractérise quantitativement la forme fonctionnelle de ces variables et il prend en compte la dimension temporelle, fournissant ainsi des informations significatives aux chercheurs.

Arianne : Arianne a déplacé la page Causal Deep Learning vers Apprentissage profond causal

2024-09-26T23:53:55Z

Arianne a déplacé la page Causal Deep Learning vers Apprentissage profond causal

← Version précédente	Version du 26 septembre 2024 à 19:53
(Aucune différence)

Arianne le 26 septembre 2024 à 23:53

2024-09-26T23:53:35Z

← Version précédente		Version du 26 septembre 2024 à 19:53
Ligne 2 :		Ligne 2 :

	== Définition ==		== Définition ==
	~~XXXXXXXXX~~		L'apprentissage profond causal exploite les connaissances causales partielles entre certaines variables d'intérêt, il caractérise quantitativement la forme fonctionnelle de ces variables et il prend en compte la dimension temporelle, fournissant ainsi des informations significatives aux chercheurs.

	== Français ==		== Français ==
	''' ~~XXXXXXXXX~~ '''		''' apprentissage profond causal '''

	== Anglais ==		== Anglais ==
	''' ~~Causal Deep Learning~~'''		''' causal deep learning'''

	Causality has the potential to truly transform the way we solve a large number of real-world problems. Yet, so far, its potential largely remains to be unlocked as causality often requires crucial assumptions which cannot be tested in practice. To address this challenge, we propose a new way of thinking about causality -- we call this causal deep learning. Our causal deep learning framework spans three dimensions:		''' CDL'''
	~~(1) a structural dimension, which incorporates partial yet testable causal knowledge rather than assuming either complete or no causal knowledge among the variables of interest;~~
	(2) a parametric dimension, which encompasses parametric forms that capture the type of relationships among the variables of interest; and (3) a temporal dimension, which captures exposure times or how the variables of interest interact (possibly causally) over time. Causal deep learning enables us to make progress on a variety of real-world problems by leveraging partial causal knowledge (including independencies among variables) and quantitatively characterising causal relationships among variables of interest (possibly over time).
	Our framework clearly identifies which assumptions are testable and which ones are not, such that the resulting solutions can be judiciously adopted in practice. Using our formulation we can combine or chain together causal representations to solve specific problems without losing track of which assumptions are required to build these solutions, pushing real-world impact in healthcare, economics and business, environmental sciences and education, through causal deep learning.

			''Causal Deep Learning is a framework leverages partial causal knowledge among some variables of interest, it quantitatively characterizes the functional form of these variables, and it considers the dimension of time, thus providing significant insights to researchers and decision-makers.''

	== Source ==		== Source ==

	[https://arxiv.org/~~abs~~/2303.02186 Source : arxiv]		[https://arxiv.org/pdf/2303.02186 Source : arxiv]

			[https://neo.uqtr.ca/2023/05/03/utiliser-lintelligence-artificielle-pour-ameliorer-le-traitement-de-la-depression-majeure/ Source : UQTR]


	[[Catégorie:~~vocabulary~~]]
			[[Catégorie:publication]]

Pitpitt : Page créée avec « ==en construction== == Définition == XXXXXXXXX == Français == ''' XXXXXXXXX ''' == Anglais == ''' Causal Deep Learning''' Causality has the potential to truly transform the way we solve a large number of real-world problems. Yet, so far, its potential largely remains to be unlocked as causality often requires crucial assumptions which cannot be tested in practice. To address this challenge, we propose a new way of thinking about causality -- we call this c... »

2024-02-25T15:13:23Z

Page créée avec « ==en construction== == Définition == XXXXXXXXX == Français == ''' XXXXXXXXX ''' == Anglais == ''' Causal Deep Learning''' Causality has the potential to truly transform the way we solve a large number of real-world problems. Yet, so far, its potential largely remains to be unlocked as causality often requires crucial assumptions which cannot be tested in practice. To address this challenge, we propose a new way of thinking about causality -- we call this c... »

Nouvelle page

==en construction==

== Définition ==
XXXXXXXXX

== Français ==
''' XXXXXXXXX '''

== Anglais ==
''' Causal Deep Learning'''

Causality has the potential to truly transform the way we solve a large number of real-world problems. Yet, so far, its potential largely remains to be unlocked as causality often requires crucial assumptions which cannot be tested in practice. To address this challenge, we propose a new way of thinking about causality -- we call this causal deep learning. Our causal deep learning framework spans three dimensions:
(1) a structural dimension, which incorporates partial yet testable causal knowledge rather than assuming either complete or no causal knowledge among the variables of interest;
(2) a parametric dimension, which encompasses parametric forms that capture the type of relationships among the variables of interest; and (3) a temporal dimension, which captures exposure times or how the variables of interest interact (possibly causally) over time. Causal deep learning enables us to make progress on a variety of real-world problems by leveraging partial causal knowledge (including independencies among variables) and quantitatively characterising causal relationships among variables of interest (possibly over time).
Our framework clearly identifies which assumptions are testable and which ones are not, such that the resulting solutions can be judiciously adopted in practice. Using our formulation we can combine or chain together causal representations to solve specific problems without losing track of which assumptions are required to build these solutions, pushing real-world impact in healthcare, economics and business, environmental sciences and education, through causal deep learning.

== Source ==

[https://arxiv.org/abs/2303.02186 Source : arxiv]

[[Catégorie:vocabulary]]