Vendredi 11 octobre 2024
12h15
- 13h30
Description de l'événement
Toute la communauté de l'Institut intelligence et données (IID) (étudiant.e.s, chercheur.e.s, professionnel.le.s) est invitée au premier séminaire étudiant de l’IID, double conférence offerte en mode hybride. L’activité sera consacrée aux modèles causaux et à l’inférence causale en médecine et en assurance.
Conférence #1 : Perspective causale sur les discriminations directes et indirectes liées aux caractéristiques sensibles dans les modèles prédictifs en assurance
Animée par Olivier Côté, étudiant au doctorat en actuariat, sous la direction de Marie-Pier Côté
L’équité envers les assurés est un enjeu central pour le secteur de l’assurance. Les assureurs reposent largement sur les données personnelles pour plusieurs décisions automatisées. Dans cette thèse, nous explorons la tarification équitable en assurance à travers une perspective causale, en mettant l’accent sur les discriminations directes et indirectes liées aux variables sensibles définies et observées. Nous analysons les mécanismes par lesquels ces variables influencent la tarification et proposons une catégorisation des méthodologies équitables en cinq familles, chacune présentant des propriétés claires en matière d’équité. Le raisonnement causal permet de représenter les biais, de clarifier les hypothèses concernant le mécanisme générateur de données, et de distinguer le signal de chaque variable par rapport aux variables sensibles. Les outils développés guideront les spécialistes du secteur de l’assurance vers de meilleures pratiques en équité algorithmique.
Conférence #2 - Utilisation de l’apprentissage automatique dans le cadre des méthodes d’inférence causale en médecine personnalisée
Animé par : Kossi Clément Trenou, étudiant au doctorat en biostatistique, sous la direction de Denis Talbot
L’estimation des stratégies de traitement adaptatives (ATS) optimales, utiles en médecine personnalisée, utilise diverses méthodes, dont les moindres carrés pondérés dynamiques (dWOLS). Cette approche est doublement robuste puisqu’elle requiert la modélisation du traitement et de la réponse, mais ne nécessite que la spécification correcte de l’un des deux. Les méthodes doublement robustes se combinent bien avec l’apprentissage automatique pour l’estimation d’un effet causal moyen. Malgré tout, peu d’études ont exploré l’utilisation de l’apprentissage automatique pour les ATS. Une étude de simulations a été réalisée où le traitement de dWOLS a été modélisé à partir de l’apprentissage automatique et le modèle de réponse était paramétrique afin de simplifier l’interprétation. Les résultats indiquent que certaines approches d’apprentissage automatique réduisent le biais sans augmenter la variance, améliorant ainsi la validité des ATS estimées.
Lieu : Conférence hybride – sur Zoom et au local VCH-2880.
Un dîner pizza sera offert aux personnes participant en présence.
