ACCUEIL

Consignes aux
auteurs et coordonnateurs
Nos règles d'éthique

APPEL À
CONTRIBUTION
Masses de données hétérogènes
En savoir plus >>
Autres revues >>

Revue d'Intelligence Artificielle

0992-499X
Revue des Sciences et Technologies de l'Information
 

 ARTICLE VOL 29/2 - 2015  - pp.205-227  - doi:10.3166/ria.29.205-227
TITRE
Estimation d’effets causaux dans les réseaux de régulation génique. Vers la grande dimension

TITLE
Estimation of causal effects in gene regulatory networks: towards high-dimensional data

RÉSUMÉ
Nous proposons dans ce papier une méthode permettant de déceler les liens causaux dans une hypothèse graphe acyclique dirigé (DAG). En particulier, nous nous focalisons sur les difficultés du cas en grande dimension. Nous commençons par introduire une méthode récente d’inférence causale, que nous modifierons pour en améliorer les performances. Nous y ajouterons la possibilité d’inclure un squelette ainsi qu’une pénalisation Ridge. Nous finirons sur quelques simulations numériques.


ABSTRACT
In this paper we propose a method which can infer causal links. In particular we focus on the difficulty of high dimensional cases. We begin by introducing a recent model that we will modify to improve performance. We add a skeleton and a Ridge penalty. We finish with some numerical simulations.


AUTEUR(S)
Gilles MONNERET , Florence JAFFRÉZIC , Andrea RAU , Grégory NUEL

MOTS-CLÉS
inférence causale, grande dimension, réseaux bayésiens gaussiens, intervention calculus, metropolis-hastings, maximum likelihood

KEYWORDS
causal inference, high dimensional, gaussian bayesian networks, intervention calculus, metropolis-hastings, maximum likelihood

LANGUE DE L'ARTICLE
Français

 PRIX
• Abonné (hors accès direct) : 7.5 €
• Non abonné : 15.0 €
|
|
--> Tous les articles sont dans un format PDF protégé par tatouage 
   
ACCÉDER A L'ARTICLE COMPLET  (381 Ko)



Mot de passe oublié ?

ABONNEZ-VOUS !

CONTACTS
Comité de
rédaction
Conditions
générales de vente

 English version >> 
Lavoisier