Modèles Causaux Structurels pour la Génération de Données Synthétiques

Structural Causal Models for Synthetic Data Generation

• Auteur / Autrice : Audrey Poinsot
• Direction : Marc Schoenauer, Alessandro Ferreira Leite, Nicolas Chesneau
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 16/12/2025
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences et technologies de l'information et de la communication (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Référent : Université Paris-Saclay. Faculté des sciences d’Orsay (Essonne ; 2020-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Informatique et sciences du numérique (2020-….)
• Partenaire(s) de recherche : Laboratoire : Laboratoire interdisciplinaire des sciences du numérique (Orsay, Essonne ; 2021-....)
• Jury : Président / Présidente : Fatiha Saïs
• Jury : Examinateurs / Examinatrices : Sami Zhioua, Arthur Charpentier, Johanne Cohen, Pierre-Henri Wuillemin
• Jury : Rapporteurs / Rapporteuses : Sami Zhioua, Arthur Charpentier

Mots clés

Mots clés contrôlés

Intelligence artificielle générative

Apprentissage supervisé (intelligence artificielle)

Apprentissage automatique

Mots clés libres

Apprentissage automatique causal

Evaluation empirique

Expériences synthétiques

Modèles causaux structurels

Génération de données causales

Causal Machine Learning

Empirical Evaluation

Synthetic Experiments

Structural Causal Models

Causal Data Generation

Résumé

L'apprentissage automatique causal, aussi appelé Causal ML, a le potentiel de révolutionner la prise de décision en combinant la puissance prédictive des algorithmes d'apprentissage automatique avec la théorie de l'inférence causale. Cependant, ces méthodes restent encore peu utilisées pour des applications réelles, car les évaluations empiriques actuelles ne permettent pas d'évaluer leur fiabilité et leur robustesse, questionnant donc leur utilité pratique. Ce travail de thèse, motivé par des applications de mesure de l'efficacité marketing, vise à contribuer à l'évaluation de l'utilité des méthodes de Causal ML à travers l'étude empirique de leur comportement à l'aide d'expériences synthétiques, sous la forme de quatre projets.Les deux premiers projets menés examinent l'utilité de certaines méthodes de Causal ML, sélectionnées en fonction des applications marketing mentionnées ci-dessus. Le premier projet analyse empiriquement la méthode d'augmentation de données ADMG, en tenant compte de différents scenarii synthétiques afin d'aider les chercheurs et les praticiens à comprendre dans quelles conditions des connaissances préalables concernant les structures causales d'un problème donné peuvent améliorer la robustesse des modèles prédictifs. Le deuxième projet examine les méthodes apprenant des modèles causaux structurels profonds sous l'angle de leur capacité à répondre à des questions contrefactuelles à partir de données observationnelles et de structures causales connues. L'analyse de ces méthodes révèle que la majorité des résultats théoriques dépendent des propriétés des architectures des modèles d'apprentissage profond. L'étude souligne aussi la nécessité de développer des benchmarks standardisés qui reflètent les complexités rencontrées dans diverses applications du monde réel.La première partie de la thèse a révélé de nombreuses limites dans les pratiques actuelles d'évaluation des méthodes de Causal ML. Nous avons donc orienté la deuxième partie sur l'amélioration de ces pratiques en vue d'approfondir l'évaluation de l'utilité de ces méthodes. En particulier, dans le troisième projet, nous soutenons que les expériences synthétiques sont nécessaires pour évaluer et comprendre avec précision les capacités des méthodes de Causal ML. Nous proposons un ensemble de principes pour mener des évaluations empiriques rigoureuses à l'aide de données synthétiques. Enfin, le dernier projet s'inscrit dans la continuité directe du précédent en proposant une méthode générant aléatoirement des jeux de données causaux synthétiques sur les trois niveaux du raisonnement causal. Sur la base d'un ensemble de choix de conception explicites, notre générateur, CausalProfiler, échantillonne des jeux de données, des hypothèses et des réalisations effectives constituant les benchmarks causaux synthétiques. De cette manière, les méthodes de Causal ML peuvent être évaluées à partir d'expériences synthétiques tenant compte des hypothèses choisies, avec un réalisme, une diversité et une comparabilité accrus. Nous démontrons l'utilité de CausalProfiler en évaluant plusieurs modèles causaux structurels profonds tant dans leur régime d'identification qu'en dehors de celui-ci. A travers les quatre projets menés, cette thèse contribue à une meilleure compréhension de l'utilité empirique des méthodes de Causal ML de deux façons : en caractérisant l'utilité de certaines méthodes de Causal ML et en donnant les moyens aux chercheurs et praticiens d'effectuer cette caractérisation sur un large champs de méthodes via l'élaboration de règles de bonnes pratiques et la conception d'un générateur de benchmarks causaux synthétiques. L'adoption de nos recommandations et de notre générateur permettra des évaluations plus rigoureuses et approfondies qui renforceront la confiance dans les méthodes Causal ML, favorisant ainsi leur adoption à plus grande échelle et leur utilisation pour des applications réelles comme la mesure de l'efficacité marketing.

Causal Machine Learning (Causal ML) has the potential to revolutionize decision-making by combining the predictive power of machine learning algorithms with the theory of causal inference. However, these methods remain underutilized in real-world applications, as current empirical evaluations of these methods do not permit the assessment of their reliability and robustness, undermining their practical utility. This thesis, motivated by marketing efficiency measurement applications, aims to contribute, across four projects, to the assessment of the usefulness of Causal ML methods through the empirical study of their behavior using synthetic experiments.The first two projects carried out during this thesis examine the usefulness of certain Causal ML methods, selected with regard to the marketing applications mentioned above. The first project empirically analyzes the ADMG causal data augmentation method, considering different synthetic settings to support researchers and practitioners in understanding under which conditions prior knowledge can enhance the robustness of predictive models. The second project reviews the methods learning Deep Structural Causal Models by studying their ability to answer counterfactual questions using observational data within known causal structures. The analysis of the hypotheses and guarantees of these methods reveals that the majority of the theoretical results are rooted in the intrinsic properties of the deep learning architectures. Moreover, our study highlights the critical need for developing standardized benchmarks that encapsulate the complexities encountered in various real-world applications.The first part of the thesis revealed numerous limitations in current evaluation practices of Causal ML methods. In the second part of this thesis, we therefore focused on improving these practices in order to refine the assessment of the usefulness of Causal ML methods. Notably, in the third project, we argue that synthetic experiments are necessary to precisely assess and understand the capabilities of Causal ML methods. After highlighting the shortcomings of the current practices, we propose a set of principles for conducting rigorous empirical evaluations with synthetic data. Finally, the last project directly builds upon the previous one by proposing a method to randomly generate synthetic causal datasets for evaluating Causal ML methods across the three levels of causal reasoning: observation, intervention, and counterfactual. Based on a set of explicit design choices about the class of causal models, queries, and data considered, our generator, named CausalProfiler, randomly samples sets of data, assumptions, and ground truths constituting the synthetic causal benchmarks. In this way, Causal ML methods can be evaluated on assumption-aware synthetic experiments with increased realism, diversity, and comparability. We demonstrate the utility of CausalProfiler by evaluating several state-of-the-art Deep Structural Causal Models under diverse conditions, both in and out of their identification regime, illustrating the types of analyses and insights our generator unlocks.Through the four projects carried out, this thesis contributes to an improved understanding of the empirical utility of Causal ML methods by (a) characterizing the utility of some Causal ML methods and (b) empowering researchers and practitioners to perform this characterization across a wide range of methods through the development of best practices and the implementation of a generator of synthetic causal benchmarks. The adoption of our recommendations and generator will hopefully enable more rigorous and in-depth evaluations, thereby increasing their broader adoption and impactful use for real-world applications such as marketing efficiency measurement.