Incorporating causal graphical prior knowledge into predictive modeling via simple data augmentation
Causal Data Augmentation est une méthode simple de renforcement de l'apprentissage supervisé en intégrant des connaissances encodées dans un graphe causal. Elle est théoriquement bien fondée et peut être combinée avec presque tous les algorithmes d'apprentissage supervisé prenant en charge l'apprentissage par pondération des instances.
Cas d'utilisation métiers
- Amélioration de la précision des modèles de prédiction grâce à l'incorporation de connaissances issues de la découverte causale : rechercher des initiatives proches
- Réduction de la complexité apparente du jeu d'hypothèses de prédiction grâce à la découverte causale : rechercher des initiatives proches
Cas d'utilisation fonctionnel
Organisation
- Institut national de recherche en informatique et en automatique (organisation rattachée)
Outils utilisés
- PyTorch : voir les initiatives de ses organisations qui l'ont aussi
- NumPy : voir les initiatives de ses organisations qui l'ont aussi
- IPython : voir les initiatives de ses organisations qui l'ont aussi
- scikit-learn : voir les initiatives de ses organisations qui l'ont aussi
- XGBoost : voir les initiatives de ses organisations qui l'ont aussi
- MLflow : voir les initiatives de ses organisations qui l'ont aussi
- MongoDB : voir les initiatives de ses organisations qui l'ont aussi
- Sphinx : voir les initiatives de ses organisations qui l'ont aussi
- Pandas : voir les initiatives de ses organisations qui l'ont aussi
- Read the Docs : voir les initiatives de ses organisations qui l'ont aussi
Description générée le lundi 18 mars 2024 à 00:25:26