Academic literature on the topic 'Découverte des Causes'

Sous un titre qui évoque les grandes expéditions de la fin du siècle dernier, Aux sources du chômage réunit une série d'articles rédigés par un groupe d'historiens, d'économistes, de sociologues, de juristes et de géographes français et britanniques. Le pari qu'ils tentent de relever est celui d'une comparaison internationale et disciplinaire permettant de porter un regard neuf sur un phénomène que, de l'avis des maîtres d'œuvre de ce travail, nous aurions aujourd'hui quelque peine à voir en perspective: le chômage.Cette entreprise affiche son originalité: elle ne cherche pas à expliquer les causes de ce phénomène, mais à rendre compte des multiples enjeux qui, à l'entrée dans le 20e siècle, ont entouré sa « découverte », sa définition et son traitement.

La presse se fait régulièrement l’écho de disparitions inquiétantes d’enfants ou d’adultes, de suicidés, de victimes d’accidents, de sans-abri, et de la découverte souvent fortuite de corps ou de restes humains, avec ou sans présomption d’identité. En 2011, une étude rétrospective réalisée sur six ans au sein de l’institut médico-légal (IML) de l’hôpital Poincaré à Garches, énonçait le chiffre surprenant de plus de 1 500 inhumations sous X par an en France. Véritable constat d’échec, c’est tout un ensemble de dysfonctionnements qui sont à l’origine de cette situation. À travers cet article, nous tentons d’en identifier les causes et de voir comment l’identification en odontologie et anthropologie pourraient contribuer à résoudre cette problématique, véritable enjeu de santé publique.

Le but de cet article est de présenter un système expert permettant aux analystes marketing, aux chefs de produits et au conseil marketing de faciliter l'analyse des données de panels distributeurs. La quantité considérable de données mise à la disposition des analystes marketing ne permet pas à ces derniers de localiser rapidement les variations subies par les produits sur les marchés ou les segments de marché. Le système expert présenté dans cet article facilite la découverte des faits et des tendances de marché les plus saillants. Il permet d'automatiser le processus d'analyse des données marketing. Il facilite l'identification des produits et des marchés qui subissent le plus de variations. Enfin, il assiste l'analyste marketing dans la recherche des causes de ces variations. Il peut être utilisé comme guide pour améliorer la prise de décision marketing et pour mesurer l'effet des décisions sur les produits, les marchés, les segments et les marques.

Résumé La thématique des « enfants-soldats » semble devenue depuis quelques années une découverte sensationnelle dans la thématique littéraire. Depuis Allah n’est pas obligé, on disserte avec beaucoup d’affectation sur une « trouvaille » qui met en scène des horreurs dégradantes dans lesquelles sont impliquées des enfants. Des rébellions inattendues, des cohues passionnées, des corps expéditionnaires. En prime, les cohortes des « small soldiers », que personne n’attendait. Pourtant, une observation attentive indique clairement que, en dépit de la médiatisation assourdissante, les textes publiés depuis la « culture coloniale », et qui sont considérés comme les plus représentatifs des « mythologies africaines », sont justement ceux qui exaltent à la caricature les souffrances des « enfants-soldats ». Les causes pour lesquelles ils sont suppliciés sont peut-être différées par rapport aux principes de leurs actes. Cette itérativité indique finalement que la thématique constitue désormais une postulation de sens, et que « l’irruption » récente n’est que la suite d’un processus de néantisation dans laquelle les adultes (en)traînent toujours les enfants.

RÉSUMÉ Les différences selon le sexe dans l'âge d'apparition, la symptomatologie et l'évolution de la schizophrénie sont examinées par une analyse de cas dûment enregistrés et par une enquête directe à partir d'un échantillon représentatif de patients hospitalisés pour la première fois. La découverte centrale que les hommes deviennent schizophrènes à un âge plus précoce que les femmes se confirme après avoir écarté d'autres interprétations dues à des distorsions d'échantillonnage, à des différences d'intervalle entre l'apparition effective de la maladie et la première admission à l'hôpital, à des différences par sexe dans le développement des symptômes ou à d'autres facteurs confondants. Si l'on cherche les causes de ces différences entre hommes et femmes, il semble que les perturbations du début du développement social doivent être comprises alors comme les conséquences d'une schizophrénie débutante plutôt que comme ses conditions d'apparition. Il en ressort le besoin de modèles expliI catifs qui permettent de tester empiriquement les hypothèses sur le développement spécifique de la schizophrénie dans l'un et l'autre sexe.

Cette contribution se concentre sur la classe des chaudrons à protomés de griffons sculptés en marbre et pierre calcaire produits durant la seconde moitié du iv e siècle av. J.-C. à Athènes, en Attique et en Eubée. L’auteur y étudie les principales causes qui expliquent la production réduite de ce type volumineux de sema funéraire par rapport à d’autres types de pierres tombales. Sont ensuite analysés le caractère exclusif de ces productions et leur signification symbolique. Certains de ces vases lithiques à l’échelle monumentale de la période classique tardive imitent la tradition stylistique archaïsante des chaudrons en bronze plus anciens, tandis que d’autres suivent les tendances stylistiques des sculpteurs de la seconde moitié du iv e siècle av. J.-C. La discussion est enrichie par la présentation d’une trouvaille représentative, découverte hors d’Athènes et de l’Attique : le prétendu ketos de Magoula (Érétrie). Le catalogue des exemplaires connus est ainsi mis à jour.

Cet article entreprend de déterminer la situation métaphysique de la science keplérienne, et distingue trois phases de son évolution: a) une phase initiale, programmatique, où l’astronomie copernicienne veut faire office de théologie naturelle, et où, réciproquement, la théologie doit servir de sanction aux nouvelles hypothèses; b) une phase intermédiaire, où l’astronomie copernicienne ne cherche plus à se fonder dans un arrière-monde métaphysique, mais dans les causes naturelles des mouvements célestes; c) une phase terminale, postérieure à la découverte de la loi des temps périodiques, où Kepler renonce au projet initial de faire jouer à l’astronomie ou «physique céleste» une fonction ancillaire. Cette physique céleste n’est pas une théologie naturelle, mais une théologie naturalisée. *** This article tries to determine the metaphysical situation of Keplerian science, and distinguishes three phases of its evolution: a. an initial, programmatic phase, where Copernican astronomy wants to serve as a natural theology, and where, reciprocally, theology must serve as a sanction to the new hypotheses; b. an intermediate phase, where Copernican astronomy no longer seeks to be founded in a metaphysical back-world, but in the natural causes of celestial movements; c. a terminal phase, after the discovery of the law of periodic time, where Kepler renounces the initial project of making astronomy or “celestial physics” play an ancillary function. This celestial physics is not a natural theology, but a naturalized theology.

Omniprésentes dans notre vie quotidienne, les nouvelles technologies ont su s’adapter aux besoins spécifiques des personnes en situation de handicap, auprès de jeunes enfants et d’enfants polyhandicapés. On parle aujourd’hui d’EasyTech pour définir un panel de solutions matérielles et logicielles destinées à faciliter les apprentissages, qui commencent souvent par la découverte de la relation cause à effet avec des jeux et des jouets adaptés. Comment et avec quels outils et ressources poursuivre méthodologiquement les apprentissages pour préparer l’enfant aux stratégies utilisées sur les outils de communication alternative et améliorée ?

RésuméLa découverte d'une chimiothérapie antidépressive a eu, sur le plan theorique, des conséquences qui n'étaient pas apparues avec celle des neuroleptiques et des tranquillisants. Le terme meme d'antidepresseur le souligne. Il s'agit en effet d'une classe de molécules qui agissent sur un ensemble de comportements définis et sur eux seuls. La question demeure ouverte de savoir comment les modifications neurophysiologiques obtenues par ces molecules agissent sur le comportement. Le fait que nous n'ayons pas une réponse précise à cette question explique sans doute la part importante de la resistance que Ton rencontre encore dans la prescription des antidepresseurs. On ne retrouve pas ce fait pour les neuroleptiques et les tranquillisants, bien que ces derniers présentent des effets secondaires plus nocifs (dyskinésie ou troubles mnésiques par exemple).Une première erreur consiste à confondre cause et mécanisme. Ce n'est pas parce que la chimiotherapie depressive agit sur la symptomatologie que le déficit qu'elle corrige est nécessairement, et encore moins uniquement, la cause de survenue de cet etat. En ce qui concerne les causes, nous devons conserver un point de vue pluraliste et uniciste à la fois en considerant qu'il s'agit d'une «maladie» pluri-factorielle. En termes de mécanisme, notre pensee doit demeurer resolument dualiste et reconnaftre un principe de parallélisme entre événements neurophysiologiques et événements comportementaux.La seconde erreur consiste à confondre liaison synaptique avec le concept classique de centre nerveux. Un exemple de cette confusion nous est peut-être donné par la recherche, jusqu'à présent stérile, de dépressions «noradrénergique» ou «sérotoninergique». Il est fort possible que les molécules dont nous disposons agissent sur des rélais dans un reseau de neurones qui sont impliqués dans les mécanismes comportementaux.La troisième erreur porte sur la manière dont nous traitons l'analyse comportementale de la dépression en se référant à une sémiologie qui a été construite à des fins tout-à-fait différentes (diagnostic d'une maladie et prévision de son évolution). Une analyse comportementale qui voudrait cerner de plus près l'action des molécules devrait renoncer à cette sémiologie et dégager des traits de comportement directement sensibles à l'action des medicaments. A la notion trop vague et trop globale de trouble de l'humeur, il serait sans doute utile de substituer celle de système ou plan d'action et de mecanisme d'interruption ou de ralentissement de l'exécution de ces plans.

En réponse au besoin croissant de réutiliser les connaissances déjà existantes lors de l'apprentissage des réseaux bayésiens causaux, les connaissances sémantiques contenues dans les ontologies de domaine présentent une excellente alternative pour assister le processus de découverte causale avec le minimum de coût et d'eff ort. Dans ce contexte, la présente thèse s'intéresse plus particulièrement au crossing-over entre les réseaux bayésiens causaux et les ontologies et établit les bases théoriques d'une approche cyclique intégrant les deux formalismes de manière interchangeable. En premier lieu, on va intégrer les connaissances sémantiques contenues dans les ontologies de domaine pour anticiper les meilleures expérimentations au travers d'une stratégie fortuite (qui, comme son nom l'indique, mise sur l'imprévu pour dégager les résultats les plus impressionnants). En e et, les connaissances sémantiques peuvent inclure des relations causales en plus de la structure hiérarchique. Donc au lieu de refaire les mêmes efforts qui ont déjà été menés par les concepteurs et éditeurs d'ontologies, nous proposons de réutiliser les relations (sémantiquement) causales en les adoptant comme étant des connaissances à priori. Ces relations seront alors intégrées dans le processus d'apprentissage de structure (partiellement) causale à partir des données d'observation. Pour compléter l'orientation du graphe causal, nous serons en mesure d'intervenir activement sur le système étudié. Nous présentons également une stratégie décisionnelle basée sur le calcul de distances sémantiques pour guider le processus de découverte causale et s'engager davantage sur des pistes inexplorées. L'idée provient principalement du fait que les concepts les plus rapprochés sont souvent les plus étudiés. Pour cela, nous proposons de renforcer la capacité des ordinateurs à fournir des éclairs de perspicacité en favorisant les expérimentations au niveau des concepts les plus distants selon la structure hiérarchique. La seconde direction complémentaire concerne un procédé d'enrichissement par lequel il sera possible de réutiliser ces découvertes causales et soutenir le caractère évolutif de l'ontologie. Une étude expérimentale a été conduite en utilisant les données génomiques concernant Saccharomyces cerevisiae et l'Ontologie des Gènes pour montrer les potentialités de l'approche SemCaDo dans des domaines ou les expérimentations sont généralement très coûteuses, complexes et fastidieuses.

Cette thèse a pour but d'expliquer les concepts et principes centraux de la causalité. Nous nous intéresserons particulièrement à la découverte causale à partir de séries temporelles, domaine émergent aujourd’hui avec, notamment, les données industrielles de capteurs. Dans les deux premiers chapitres, nous présentons les concepts puis les algorithmes existants dans ce domaine. Ensuite, nous présentons une nouvelle approche qui infère un graphe récapitulatif du système causal sous-jacent aux séries temporelles tout en assouplissant le cadre idéalisé de fréquences d'échantillonnage égaux, tout en discutant ses hypothèses et sa validité. La principale nouveauté dans cette méthode réside dans l'introduction de la mesure d'information mutuelle temporelle causale qui permet de détecter l'indépendance et l'indépendance conditionnelle entre deux séries temporelles, et l’établissement d'un lien apparent entre l'entropie et le principe d'augmentation de la probabilité d'un effet sachant sa cause, lien qui peut être utilisé pour construire de nouvelles règles pour l'orientation de la direction de la causalité. De plus, à travers le développement de la première méthode, nous proposons plusieurs extensions qui permettent de gérer les causes communes cachées, de déduire un graphe causal temporel à partir d'un graphe récapitulatif et de pouvoir s’adapter aux données ordonnées (pas nécessairement temporelles). Puis, nous nous concentrons sur la découverte de relations causales à partir d'une distribution statistique qui n'est pas entièrement fidèle au graphe causal réel et sur la distinction entre une cause commune et une cause intermédiaire même, en absence d'indicateur de temps. L'aspect clé de notre réponse à ce problème est le recours au principe du bruit additif pour déduire un supergraphe dirigé contenant le graphe causal. Pour converger vers le graphe causal, nous utilisons une nouvelle mesure appelée l'entropie de causalité temporelle qui élague pour chaque nœud du supergraphe dirigé, les parents qui en sont conditionnellement indépendants. En outre, nous explorons des extensions complémentaires de notre deuxième méthode qui impliquent une stratégie par paires et une stratégie multitâche. Nous effectuons une comparaison expérimentale approfondie des algorithmes proposés sur des ensembles de données à la fois synthétiques et réels et nous montrons leurs performances pratiques prometteuses: gain en complexité temporelle tout en préservant la précision
This thesis aims to give a broad coverage of central concepts and principles of causation and in particular the ones involved in the emerging approaches to causal discovery from time series.After reviewing concepts and algorithms, we first present a new approach that infer a summary graph of the causal system underlying the observational time series while relaxing the idealized setting of equal sampling rates and discuss the assumptions underlying its validity. The gist of our proposal lies in the introduction of the causal temporal mutual information measure that can detect the independence and the conditional independence between two time series, and in making an apparent connection between entropy and the probability raising principle that can be used for building new rules for the orientation of the direction of causation. Moreover, through the development of this base method, we propose several extensions, namely to handle hidden confounders, to infer a window causal graph given a summary graph, and to consider sequences instead of time series.Secondly, we focus on the discovery of causal relations from a statistical distribution that is not entirely faithful to the real causal graph and on distinguishing a common cause from an intermediate cause even in the absence of a time indicator. The key aspect of our answer to this problem is the reliance on the additive noise principle to infer a directed supergraph that contains the causal graph. To converge toward the causal graph, we use in a second step a new measure called the temporal causation entropy that prunes for each node of the directed supergraph, the parents that are conditionally independent of their child. Furthermore, we explore complementary extensions of our second base method that involve a pairwise strategy which reduces through multitask learning and a denoising technique, the number of functions that need to be estimated. We perform an extensive experimental comparison of the proposed algorithms on both synthetic and real datasets and demonstrate their promising practical performance: gaining in time complexity while preserving accuracy

La prolifération de l'Internet des objets (IoT) a transformé les espaces traditionnels en environnements plus intelligents et interconnectés. Cela a donné lieu à des systèmes IoT sophistiqués, généralement composés de dispositifs qui détectent des phénomènes physiques et génèrent des données pouvant être traitées par des nœuds de calcul avant d'être consommées par des applications. Ces applications définissent généralement des exigences spécifiques de qualité de service (QoS) qui doivent être respectées (par exemple, disponibilité, précision, latence). À cette fin, les systèmes IoT sont souvent configurés pour garantir que les exigences de QoS des applications déployées soient respectées. Cela implique l'ajustement de plusieurs paramètres tels que les configurations réseau, les ressources de traitement, et l'optimisation des systèmes d'échange de données. Cependant, les espaces intelligents modernes sont intrinsèquement dynamiques et imprévisibles. Les variations dans le nombre de dispositifs IoT, les conditions du réseau, et les ressources de calcul disponibles créent un environnement en constante évolution. Ainsi, pour garantir que les systèmes IoT fonctionnent de manière autonome, il est essentiel de concevoir des mécanismes d'auto-adaptation pour maintenir les exigences de QoS des applications dans des situations dynamiques. Cette thèse propose une approche d'auto-adaptation à base d'intergiciel et d'intelligence artificielle (IA) hybride pour permettre des opérations autonomes des systèmes IoT dans des environnements dynamiques. En combinant des approches basées sur la logique avec des techniques d'IA basées sur les données, nous concevons des solutions d'auto-adaptation efficaces et explicables pour les systèmes IoT. Cela est réalisé à travers trois contributions principales. Tout d'abord, des réseaux de files d'attente sont utilisés pour composer des modèles de QoS qui représentent les systèmes IoT sous différentes situations et/ou configurations. En simulant ces modèles de QoS, nous sommes en mesure de générer des ensembles de données de performances qui peuvent être utilisés dans des approches auto-adaptatives pour s'adapter dynamiquement aux situations changeantes en sélectionnant la configuration qui satisfait le mieux les exigences de QoS définies par les applications. La deuxième contribution permet une gestion adaptative des flux de données pilotée par l'IA dans les espaces IoT. En combinant des techniques d'IA basées sur la logique et sur les données, telles que l'IA planning et l'apprentissage par renforcement, nous concevons un cadre impliquant des agents intelligents capables de prendre des décisions d'adaptation en temps réel. Les actions d'adaptation possibles incluent les configurations de flux de données (par exemple, priorités, taux de rejet de données) et le contrôle des ressources (par exemple, ressources réseau, ressources de calcul). Enfin, la dernière contribution permet de rendre les systèmes autonomes plus proactifs et explicables grâce à l'apprentissage par renforcement et la théorie de la causalité. Pour ce faire, nous nous appuyons sur le cadre de la causalité afin de fournir une analyse formelle des performances des systèmes IoT. Par la suite, les modèles causaux permettent un processus de prise de décision plus efficace, permettant aux agents d'adaptation de prendre des actions d'adaptation efficaces dans des environnements dynamiques. Nous validons notre approche en développant une implémentation prototype d'un système IoT et en menant des expériences sur des études de cas considérant différents types d'environnements IoT. Nos modèles de QoS sont évalués et comparés à une implémentation prototype pour valider la précision des ensembles de données de performances générés. Nous évaluons ensuite l'efficacité de notre solution en exploitant des données issues de déploiements réels pour nous assurer que notre approche est valide dans des contextes réels
The proliferation of Internet of Things (IoT) devices has transformed traditional spaces into smarter, more interconnected environments. These advanced IoT systems consist of devices that sense physical phenomena and generate data, which are then processed by computing nodes before being used by applications. Such applications typically define specific Quality-of-Service (QoS) requirements, such as availability, accuracy, and latency, that must be met. To achieve this, IoT systems are normally configured to ensure that the QoS requirements of the deployed applications are met. This involves adjusting multiple parameters such as network settings, processing resources, and tuning data exchange systems. However, modern smart spaces are inherently dynamic and unpredictable. Changes in the number of IoT devices, network conditions, and available computational resources create a continuously evolving environment. Thus, to ensure that IoT systems operate autonomously, it is essential to design advanced self-adaptive mechanisms for maintaining QoS requirements of applications across dynamic smart spaces.This thesis proposes a middleware-based, hybrid Artificial Intelligence (AI) self-adaptation approach for enabling autonomous IoT operations across dynamic smart spaces. By combining logic-based approaches with data-driven AI techniques, we design effective and explainable self-adaptation solutions for IoT systems operating over dynamic environments. This is achieved through three main research contributions. First, queueing network modeling techniques are leveraged to compose QoS models that represent IoT systems under different situations and/or configurations of smart spaces. By simulating QoS models, we generate performance metrics datasets that can be used as input in self-adaptive approaches. These approaches dynamically adjust to changing conditions by selecting the configuration that best meets the QoS requirements specified by the applications. The second contribution enables AI-driven adaptation of IoT systems in smart spaces. By combining AI techniques such as Automated Planning and Reinforcement Learning, we design a framework involving intelligent agents capable of taking adaptation decisions at runtime. Possible adaptation actions include data flow configurations (e.g., priorities, drop rates) and resource control (e.g., network resources, computing resources). Finally, the third contribution enables proactive and explainable autonomous systems by relying on Causal Reinforcement Learning. To achieve this, Causality methodologies are employed to provide a formal analysis of the performance of IoT systems. Subsequently, causal models enable agents to take efficient adaptation actions in dynamic environments. We validate our proposed approach by developing a prototype implementation of an IoT system and experimenting with case studies considering different types of IoT environments. Our QoS models are evaluated and compared with a prototype implementation for validating the accuracy of the generated performance metrics datasets. We then evaluate the effectiveness of our solution by leveraging data from real deployments to ensure that our approach is valid in real-life settings. The self-adaptation approach presented in this thesis can be exploited to design resilient and modern IoT systems where interactive and real-time services are required, enabling smart spaces to autonomously adapt to changes in their environment, and ensuring optimal performance even under dynamic conditions

La fouille de règles d'association au sein de graphes de connaissances est un domaine de recherche important.En effet, ce type de règle permet de représenter des connaissances, et leur application permet de compléter un graphe en ajoutant des données manquantes ou de supprimer des données erronées.Cependant, ces règles ne permettent pas d'exprimer des relations causales, dont la sémantique diffère d'une simple association ou corrélation. Dans un système, un lien de causalité entre une variable A et une variable B est une relation orientée de A vers B et indique qu'un changement dans A cause un changement dans B, les autres variables du système conservant les mêmes valeurs.Plusieurs cadres d'étude existent pour déterminer des relations causales, dont le modèle d'étude des résultats potentiels, qui consiste à apparier des instances similaires ayant des valeurs différentes sur une variable nommée traitement pour étudier l'effet de ce traitement sur une autre variable nommée résultat.Nous proposons dans cette thèse plusieurs approches permettant de définir des règles représentant l'effet causal d'un traitement sur un résultat.Cet effet peut être local, i.e., valide pour un sous-ensemble d'instances d'un graphe de connaissances défini par un motif de graphe, ou bien moyen, i.e., valide en moyenne pour l'ensemble d'instances de la classe considérée. La découverte de ces règles se base sur le cadre d'étude des résultats potentiels en appariant des instances similaires, en comparant leurs descriptions RDF au sein du graphe ou bien leurs représentations vectorielles apprises à travers des modèles de plongements de graphes
The mining of association rules within knowledge graphs is an important area of research.Indeed, this type of rule makes it possible to represent knowledge, and their application makes it possible to complete a knowledge graph by adding missing triples or to remove erroneous triples.However, these rules express associations and do not allow the expression of causal relations, whose semantics differ from an association or a correlation.In a system, a causal link between variable A and variable B is a relationship oriented from A to B. It indicates that a change in A causes a change in B, with the other variables in the system maintaining the same values.Several frameworks exist for determining causal relationships, including the potential outcome framework, which involves matching similar instances with different values on a variable named treatment to study the effect of that treatment on another variable named the outcome.In this thesis, we propose several approaches to define rules representing a causal effect of a treatment on an outcome.This effect can be local, i.e., valid for a subset of instances of a knowledge graph defined by a graph pattern, or average, i.e., valid on average for the whole set of graph instances.The discovery of these rules is based on the framework of studying potential outcomes by matching similar instances and comparing their RDF descriptions or their learned vectorial representations through graph embedding models

Cette thèse porte sur le domaine de la découverte causale, c’est-à-dire la construction de graphes causaux à partir de données observées, et en particulier, la découverte causale temporelle et la reconstruction de larges réseaux de régulation de gènes. Après un bref historique, ce mémoire introduit les principaux concepts, hypothèses et théorèmes aux fondements des graphes causaux ainsi que les deux grandes approches : à base de scores et à base de contraintes. La méthode MIIC (Multivariate Information-based Inductive Causation), développée au sein de notre laboratoire est ensuite décrite avec ses dernières améliorations : Interpretable MIIC. Les problématiques et solutions mises en œuvre pour construire une version temporelle (tMIIC) sont exposées ainsi que les benchmarks traduisant les avantages de tMIIC sur d’autres méthodes de l’état de l’art. L’application à des séquences d’images prises au microscope d’un environnement tumoral reconstitué sur des micro-puces permet d’illustrer les capacités de tMIIC à retrouver, uniquement à partir des données, des relations connues et nouvelles. Enfin, cette thèse introduit l’utilisation d’un a priori de conséquence pour appliquer la découverte causale à la reconstruction de réseaux de régulation de gènes. En posant l’hypothèse que tous les gènes, hormis les facteurs de transcription, sont des conséquences, il devient possible de reconstruire des graphes avec des milliers de gènes. La capacité à identifier des facteurs de transcription clés de novo est illustrée par une application à des données de séquençage d’ARN en cellules uniques avec identification de deux facteurs de transcription susceptibles d’être impliqués dans le processus biologique d’intérêt
This thesis focuses on the field of causal discovery : the construction of causal graphs from observational data, and in particular, temporal causal discovery and the reconstruction of large gene regulatory networks. After a brief history, this thesis introduces the main concepts, hypotheses and theorems underlying causal graphs as well as the two main approaches: score-based and constraint-based methods. The MIIC (Multivariate Information-based Inductive Causation) method, developed in our laboratory, is then described with its latest improvements: Interpretable MIIC. The issues and solutions implemented to construct a temporal version (tMIIC) are presented as well as benchmarks reflecting the advantages of tMIIC compared to other state-of-the-art methods. The application to sequences of images taken with a microscope of a tumor environment reconstituted on microchips illustrates the capabilities of tMIIC to recover, solely from data, known and new relationships. Finally, this thesis introduces the use of a consequence a priori to apply causal discovery to the reconstruction of gene regulatory networks. By assuming that all genes, except transcription factors, are only consequence genes, it becomes possible to reconstruct graphs with thousands of genes. The ability to identify key transcription factors de novo is illustrated by an application to single cell RNA sequencing data with the discovery of two transcription factors likely to be involved in the biological process of interest

Partant du constat qu'un attaquant motivé finit par réussir à s'infiltrer dans un réseau malgré les moyens de prévention déployés, la mise en place d'une supervision de sécurité est indispensable. L'objectif de cette thèse est de permettre la découverte de scénarios d'attaque multi-étapes à travers l'analyse d'événements de sécurité. Pour atteindre cet objectif, les approches précédentes visent à construire des liens entre les événements et entre les étapes d'une attaque.En pratique, ces liens sont difficiles à définir et découvrir, notamment lorsque l'on considère l'analyse d'événements hétérogènes (c.-à-d. produits par différents types de systèmes de supervision). De plus, la littérature ne propose pas de définition formelle de ce lien. Selon nous, ce lien correspond à une relation de dépendance causale. Inspirés de deux modèles de causalité précédemment définis dans les domaines des systèmes distribués (modèle de Lamport) et de la sécurité (modèle de d'Ausbourg), nous avons donc proposé une définition formelle de cette relation dénommée event causal dependency. Cette relation permet la découverte de tous les événements pouvant être considérés comme les causes, ou les effets, d'un événement d'intérêt telle qu'une alerte.À notre connaissance, nos travaux sont les premiers à proposer une définition formelle de la relation de dépendance causale entre événements hétérogènes. Actuellement, les méthodes proposées dans la littérature ne permettent de construire qu'une approximation de notre modèle. Notre implémentation a la particularité de se baser uniquement sur l'analyse d'événements issus de COTS. Cette dernière permet d'obtenir une bonne approximation de notre modèle
Knowing that a persistent attacker will eventually succeed in gaining a foothold inside the targeted network despite prevention mechanisms, it is mandatory to perform security monitoring on the system. The purpose of this thesis is to enable the discovery of multi-step attacks through logged events analysis. To that end, previous alert correlation work has aimed at building connections among events and between attack steps. In practice, this type of link is not trivial to define and discover, especially when considering heterogeneous events (i.e., events emanating from monitoring systems deployed in different abstraction layers of the monitored system), and the literature lacks a formal definition of these connections. We argue that the connections among heterogeneous events correspond to causal dependency relationships among events.Inspired from two causality models from the distributed system and the security research areas, i.e., Lamport's and d'Ausbourg's models, we have thereby proposed a formal definition of this relationship called event causal dependency. The relationship enables the discovery of all events, which can be considered as the cause or the effect of an event of interest (e.g., an IDS alert).To the best of our knowledge, our work is the first one to propose a formal definition of the causal dependency relationship among heterogeneous events. We present how existing work permits the computation of parts of the overall model, and detail our implementation, which exclusively leverages existing monitoring facilities (e.g., auditd, or Zeek NIDS) to produce events. We show that our implementation already yields a good approximation of our model

Découvrir des relations de cause à effet dans des contextes non expérimentaux s'est avéré très complexe, étant donné les nombreuses limitations et biais que présentent les données d'observation. Les progrès récents dans les méthodologies de découverte causale et dans la littérature sur l'inférence causale ont contribué au développement de techniques qui permettent l'apprentissage de la structure causale sous-jacente des événements enregistrés par les données d'observation. L'approche améliorée et utilisée dans cette thèse est basée sur de nouvelles méthodes de théorie de l'information permettant d'analyser des données cliniques provenant de ~400000 dossiers et rapports de consultations médicales de patientes atteintes de cancer du sein, diagnostiquées aux États-Unis entre 2010 et 2016 dans le cadre du programme SEER. Si de nombreuses méthodes ont été développées pour identifier des corrélations dans des dossiers cliniques hétérogènes, un défi majeur demeure : mettre en exergue des relations causales pour orienter la compréhension clinique et les traitements avec des méthodes novatrices d'analyse des données. Outre le cancer de la peau, le cancer du sein est le cancer le plus fréquent chez les femmes aux États-Unis et la deuxième cause de décès par cancer chez les femmes. Pourtant, peu d'efforts ont été déployés pour analyser la grande quantité de données d'observation liées à cette maladie dans une perspective causale. En analysant les données SEER, il a été possible d'inférer un réseau présentant de nombreuses relations causales putatives et réelles, soutenant les découvertes précédentes dans la littérature, mais mettant également en lumière de nouvelles discussions
Uncovering cause-effect relationships in non-experimental settings has shown to be a very complex endeavor, given the numerous limitations and biases found in observational data. Recent progress in causal discovery methodologies, and in the causal inference literature in general, has contributed to the development of techniques that learn the underlying causal structure of the events recorded through observational data, allowing us to perform causal discovery and inference in observational data. The approach improved and used in the studies that this thesis describes is based on novel information-theoretic methods to analyze information-rich clinical data from ~400,000 curated clinical records as well as medical consultation reports of breast cancer patients diagnosed in the US between 2010 and 2016 as part of the SEER program. While numerous methods have been developed to identify correlations in heterogeneous clinical records, a central challenge remains: to uncover unsuspected cause-effect relationship. It is now considered a priority to guide clinical understanding and treatments by novel and innovative data analysis and computational methods. Apart from skin cancer, breast cancer is the most common cancer in women in the United States, and the second leading cause of cancer death among women. Yet, there are few efforts to analyze the large amount of observational data related to this disease from a causal perspective. By analyzing the aforementioned dataset, it was possible to infer a network that presents many putative and genuine causal relationships, supporting previous discoveries in the literature but also shedding light for new discussions

Cette thèse se concentre sur l'intégration des connaissances d'experts pour améliorer le raisonnement dans l'incertitude. Notre objectif est de guider l'apprentissage des relations probabilistes avec les connaissances d'experts pour des domaines décrits par les ontologies.Pour ce faire, nous proposons de coupler des bases de connaissances (BC) et une extension orientée objet des réseaux bayésiens, les modèles relationnels probabilistes (PRM). Notre objectif est de compléter l'apprentissage statistique par des connaissances expertes afin d'apprendre un modèle aussi proche que possible de la réalité et de l'analyser quantitativement (avec des relations probabilistes) et qualitativement (avec la découverte causale). Nous avons développé trois algorithmes à travers trois approches distinctes, dont les principales différences résident dans leur automatisation et l'intégration (ou non) de la supervision d'experts humains.L'originalité de notre travail est la combinaison de deux philosophies opposées : alors que l'approche bayésienne privilégie l'analyse statistique des données fournies pour raisonner avec, l'approche ontologique est basée sur la modélisation de la connaissance experte pour représenter un domaine. La combinaison de la force des deux permet d'améliorer à la fois le raisonnement dans l'incertitude et la connaissance experte
This thesis focuses on integrating expert knowledge to enhance reasoning under uncertainty. Our goal is to guide the probabilistic relations’ learning with expert knowledge for domains described by ontologies.To do so we propose to couple knowledge bases (KBs) and an oriented-object extension of Bayesian networks, the probabilistic relational models (PRMs). Our aim is to complement the statistical learning with expert knowledge in order to learn a model as close as possible to the reality and analyze it quantitatively (with probabilistic relations) and qualitatively (with causal discovery). We developped three algorithms throught three distinct approaches, whose main differences lie in their automatisation and the integration (or not) of human expert supervision.The originality of our work is the combination of two broadly opposed philosophies: while the Bayesian approach favors the statistical analysis of the given data in order to reason with it, the ontological approach is based on the modelization of expert knowledge to represent a domain. Combining the strenght of the two allows to improve both the reasoning under uncertainty and the expert knowledge

La découverte d’épisodes de mortalité piscicole dans les rivières de Franche-Comté a été à l’origine d’une controverse sur les causes et les responsabilités relatives à ce phénomène. Ce chapitre montre les différents types d’acteurs et de savoirs impliqués dans la qualification de la situation. Il revient également sur l’implication de trois groupes de scientifiques pour en analyser les différentes postures.

C’est en 1975 que la corrélation entre l’évolution des Homininés et celle de leur environnement a été découverte ; devant la longue séquence stratigraphique (entre 700 et 800 m de puissance) du Plio-Pléistocène de la basse vallée de l’Omo, en Éthiopie, séquence remplie de Vertébrés fossiles, nous (l’expédition internationale de recherche de l’Omo), avons pu, en effet, constater que les assemblages fauniques n’étaient pas les mêmes en bas de la séquence (plus de 3Ma et faunes d’environnement humide) et en haut (moins de 2Ma et faunes, d’environnement plus sec) : un changement climatique s’était donc manifestement produit au cours de ce million d’années. Et comme ces assemblages contenaient des restes d’Homininés, différents en bas ( Australopithecus ) et en haut ( Paranthropus et Homo ), il nous a semblé possible de conclure que ce pourrait être l’ Australopithecus , qui, pour s’adapter à ce changement climatique, ait évolué en ces deux nouveaux genres, un robuste ( Paranthropus ) et un gracile ( Homo ) ! Quatre importantes expéditions paléontologiques se déroulaient en Afrique de l’Est dans ces années là, l’International Afar Research Expedition (Éthiopie), l’Omo Research Expedition (Éthiopie), l’East Rudolf Expedition (Kenya) et l’Olduvai Gorge Expedition (Tanzanie). Mais, à Olduvai, la séquence géologique commençait vers 1,8Ma (trop tard pour comprendre le processus d’adaptation), en Afar, elle se terminait vers 3 Ma (trop tôt), et à l’Est Turkana (Rudof), il y avait une lacune stratigraphique entre 3 et 2 Ma (la période du processus) ! C’est pour cela que ces changements climatiques et fauniques ont été observés pour la première fois dans la séquence dite de l’ Omo : par hasard ! En souvenir de cette découverte pionnière, j’ai appelé ce changement climatique « l’Evènement de l’(H)Omo », ou « (H)Omo Event », pour ne pas oublier que l’origine de l’Homme ( Homo ), une simple adaptation à une crise climatique, avait été comprise pour la première fois dans les dépôts sédimentaires du Plio-Pléistocène de la basse vallée de l’Omo. Je n’ai pas parlé ici des Missions ou Expéditions paléontologiques en Afrique du Sud, car elles n’avaient découvert, nulle part, de séquences sédimentaires comparables à celle de l’Omo et aucun de leurs sites n’était alors, en outre, bien daté. Comme, par ailleurs, des sites paléontologiques, fournissant des Homininés anciens (Plio-Pléistocène), ont été découverts, du Tchad à l’Afrique australe en passant donc par l’Éthiopie, le Kenya, la Tanzanie et le Malawi, tout autour de la forêt équatoriale, j’ai appelé cette zone intertropicale, notre lieu de naissance, « le berceau concentrique ». Pour tester alors cette hypothèse de la corrélation entre changement climatique et émergence de Paranthropus et d’ Homo , que nous venons d’évoquer, je propose, dans cette courte communication, un tour des sites (une dizaine) de cet anneau. Or, dans tous les sédiments datés entre 3 et 2 Ma, sans aucune exception, nous avons constaté la présence et la coexistence d’un Homininé robuste (une espèce particulière d’Australopithèque en Afar – A. garhi – et le nouveau genre Paranthropus partout ailleurs) et d’un Homininé gracile (une espèce particulière d’Australopithèque en Afrique du Sud –A. sediba- et le nouveau genre Homo partout ailleurs). Dans tous ces sites, les vertébrés et les pollens associés caractérisent un environnement assez sec, une savane ouverte ou une steppe. Et dans quelques-uns d’entre eux, ceux qui offrent une séquence sédimentaire suffisamment longue pour documenter la transition entre les premiers Australopithèques et Kenyanthropes, âgés de 4 à 3 millions d’années, et les Australopithèques tardifs, Paranthropes et Homo , l’environnement documente clairement un changement, d’un climat plus humide à un climat plus sec. Cet article a été écrit en raison des nouvelles découvertes faites en Tanzanie (Laetoli) et en Afrique du Sud (Kromdraai et Malapa), et qui confirment, si besoin était, l’hypothèse de l’Evénement l’ (H)Omo . Ce afin d’affirmer que lorsqu’une hypothèse scientifique est confirmée à chaque fois qu’elle est testée, le scientifique a l’obligation de dire que « tout a l’air de se passer comme si c’était comme ça ». Plusieurs nouvelles recherches semblent remettre actuellement en cause notre hypothèse. Elles devront simplement être confrontées à toutes les données exposées ici. Le débat reste bien sûr ouvert !

Les abcès intracrâniens constituent la complication la plus redoutable des foyers infectieux ORL et dentaires. Si leur incidence actuelle est faible, 1,3/100 000/an, toutes causes confondues, leur pronostic demeure sombre. Les auteurs rapportent huit ans d’expérience oto-neurochirugicale diagnostique et thérapeutique des patients porteurs d’abcès cérébraux d’origine pétro mastoïdienne. La présentation clinique initiale générale et neurologique, la topographie et les signes radiologiques de la collection, la bactériologie, les données per-opératoires ainsi que l’évolution clinique post-opératoire ont été évalués. De janvier 2005 à octobre 2013, 59 patients ont été traités pour un abcès cérébral dans notre service. Dans cette série, un foyer oto-gène a été découvert pour cinq hommes et deux femmes [Sex-ratio 2,5 :1]. L’âge médian au moment du diagnostic était de 56 ans [21-76]. Tous les patients ont bénéficié d’une prise en charge neurochirurgicale et oto-chirurgicale en urgence. La durée moyenne d’hospitalisation était de 33,7 jours [19-50 ; Écart-type = 13,4]. La durée moyenne de suivi était de 40,6 mois [2-98]. Aucun patient n’est décédé au cours du suivi. L’orientation clinique est difficile en contexte d’urgence, ce qui justifie le recours au scanner cérébral sans et avec injection au moindre doute devant l’association de signes neurologiques focaux et infectieux. La prise en charge oto-neurochirurgicale, urgente, est indispensable. Cette association de compétences améliore le pronostic.