ICM 2026 Invited Section Lecture - Caroline Uhler

Valeur des informations & solidité de l’argumentation

VALEUR DES INFORMATIONS & SOLIDITÉ DE L’ARGUMENTATION. La conférence est riche en idées originales et en résultats récents issus des travaux de l’oratrice et de ses collaborateurs. Elle propose une synthèse claire des défis de l’inférence causale, en particulier les limites de la fidélité et les stratégies pour s’en affranchir. L’argumentation est rigoureuse, s’appuyant sur des démonstrations mathématiques et des simulations. L’accent mis sur les applications biomédicales ancre la recherche dans un contexte concret, renforçant la pertinence des méthodes présentées. La structure de l’exposé est logique, progressant des fondements aux questions ouvertes, et chaque partie est justifiée par des exemples précis. En outre, la discussion sur le lien entre apprentissage de représentations et causalité apporte un éclairage novateur sur les limitations des modèles génératifs actuels. L’argumentation est convaincante et bien étayée.

Rigueur scientifique, qualité des sources, adéquation du titre

RIGUEUR SCIENTIFIQUE, QUALITÉ DES SOURCES, ADÉQUATION TITRE/CONTENU. La conférence fait référence à des travaux classiques de la littérature en causalité (Pearl, Spirtes, Glymour, Scheines, Peters, Bühlmann) et présente des résultats originaux de l’équipe de Caroline Uhler. Les sources sont fiables et bien reconnues dans le domaine. Le titre est parfaitement adapté : il s’agit bien d’une conférence invitée de section à l’ICM 2026, et le contenu porte précisément sur la structure causale, l’apprentissage de représentations et leurs applications biomédicales. La rigueur scientifique est exemplaire : les hypothèses sont clairement énoncées, les limitations des approches classiques sont illustrées par des simulations, et les résultats théoriques sont présentés avec précision. La qualité des sources est indéniable et contribue à la crédibilité de l’exposé.

Le titre est clair et précis : il s'agit d'une conférence invitée de section à l'ICM 2026, et la conférencière est bien Caroline Uhler. Le contenu correspond effectivement à une présentation de travaux sur la structure causale et l'apprentissage de représentations avec applications biomédicales.

9/10

Conférence de haut niveau scientifique, présentée par une chercheuse reconnue, avec des résultats théoriques et algorithmiques solides, s'appuyant sur des travaux publiés et des exemples concrets.

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

• 00:30Introduction avec l'exemple de la corrélation vs causalité (crème glacée et coups de soleil) et l'importance pour la fibrose.
• 05:00Formalisation des graphes causaux dirigés acycliques et introduction de l'hypothèse de fidélité, avec discussion sur les violations de fidélité.
• 15:00Présentation d'algorithmes de découverte causale minimisant les tests d'indépendance conditionnelle, avec bornes exponentielles et liaison avec l'ordre topologique.
• 25:00Extension au cas où les variables causales sont latentes : apprentissage de représentations causales et identifiabilité des graphes causaux latents.
• 30:00Discussion sur la conception optimale de perturbations en utilisant des expériences pour limiter l'espace de recherche, avec applications biomédicales.
• 35:00Conclusion et perspectives, soulignant l'importance de la causalité pour l'IA générative et les traitements médicaux.

• Judea Pearl — Introduction des interventions et du calcul des effets causaux (do-calculus).
• Peter Bühlmann — Travaux sur l'inférence causale et la régularisation en statistique.
• Jonas Peters — Contributions à la découverte causale et à l'identifiabilité sous hypothèses de bruit additif.
• Spirtes, Glymour et Scheines — Algorithmes classiques de découverte causale (PC, FCI) basés sur des tests d'indépendance conditionnelle.

• Causal Inference in Statistics: A Primer — Ouvrage de référence sur l'inférence causale, conforme aux idées présentées.