Horizon / Plein textes La base de ressources documentaires de l'IRD

IRD

 

Publications des scientifiques de l'IRD

Sokolovska N., Permiakova O., Forslund S. K., Zucker Jean-Daniel. (2020). Using unlabeled data to discover bivariate causality with deep restricted Boltzmann machines. IEEE-ACM Transactions on Computational Biology and Bioinformatics, 17 (1), 358-364. ISSN 1545-5963

Lien direct chez l'éditeur doi:10.1109/tcbb.2018.2879504

En Libre Accès sur HAL https://hal.archives-ouvertes.fr/hal-01938646

Titre
Using unlabeled data to discover bivariate causality with deep restricted Boltzmann machines
Année de publication2020
Type de documentArticle référencé dans le Web of Science WOS:000526280900035
AuteursSokolovska N., Permiakova O., Forslund S. K., Zucker Jean-Daniel.
SourceIEEE-ACM Transactions on Computational Biology and Bioinformatics, 2020, 17 (1), p. 358-364. ISSN 1545-5963
RésuméAn important question in microbiology is whether treatment causes changes in gut flora, and whether it also affects metabolism. The reconstruction of causal relations purely from non-temporal observational data is challenging. We address the problem of causal inference in a bivariate case, where the joint distribution of two variables is observed. We consider, in particular, data on discrete domains. The state-of-the-art causal inference methods for continuous data suffer from high computational complexity. Some modern approaches are not suitable for categorical data, and others need to estimate and fix multiple hyper-parameters. In this contribution, we introduce a novel method of causal inference which is based on the widely used assumption that if X causes Y, then P(X) and P(Y vertical bar X) are independent. We propose to explore a semi-supervised approach where P(Y vertical bar X) and P(X) are estimated from labeled and unlabeled data respectively, whereas the marginal probability is estimated potentially from much more (cheap unlabeled) data than the conditional distribution. We validate the proposed method on the standard cause-effect pairs. We illustrate by experiments on several benchmarks of biological network reconstruction that the proposed approach is very competitive in terms of computational time and accuracy compared to the state-of-the-art methods. Finally, we apply the proposed method to an original medical task where we study whether drugs confound human metagenome.
Plan de classementSciences fondamentales / Techniques d'analyse et de recherche [020] ; Informatique [122]
LocalisationFonds IRD
Identifiant IRDPAR00020756
Lien permanenthttp://www.documentation.ird.fr/hor/PAR00020756

Export des données

Disponibilité des documents

Télechargment fichier PDF téléchargeable

Lien sur le Web lien chez l'éditeur

Accès réservé en accès réservé

HAL en libre accès sur HAL


Accès aux documents originaux :

Le FDI est labellisé CollEx

Accès direct

Bureau du chercheur

Site de la documentation

Espace intranet IST (accès réservé)

Suivi des publications IRD (accès réservé)

Mentions légales

Services Horizon

Poser une question

Consulter l'aide en ligne

Déposer une publication (accès réservé)

S'abonner au flux RSS

Voir les tableaux chronologiques et thématiques

Centres de documentation

Bondy

Montpellier (centre IRD)

Montpellier (MSE)

Cayenne

Nouméa

Papeete

Abidjan

Dakar

Niamey

Ouagadougou

Tunis

La Paz

Quito