Publication Details
Overview
 
 
 

Chapter in Book/ Report/ Conference proceeding

Abstract 

L'analyse de performance des algorithmes en fonction des param`etres fait actuellement l'objet de nombreux travaux. La tache est ardue, car il s'agit d'etudier la relation entre les parametres et la performance a partir de tres grandes masses de donn´ees d'observation. Nous proposons dans cet article un nouvel outil d'analyse de performance bas´e sur l'inference causale, en faisant l'apprentissage des mod`eles causaux de performance bas´es sur les reseaux bay´esiens causaux ´etendus de type multi-nets (BMN) afin de capturer des informations suppl´ementaires concernant les contextes sp´ecifiques d'ind´ependances (CSI) et les outliers. Nous pr´esentons les extensions de l'algorithme d'apprentissage PC qui mettent en application ces id´ees et qui tiennent compte ´egalement de la coexistence des variables discr`etes et continues et de la possibilit´e d'existence des relations d´eterministes entre eux. Nous montrons ensuite l'int´er^et et l'utilit´e des BMN dans l'analyse de performance `a travers les conclusions claires qu'ils offrent aux d´eveloppeurs.

Reference 
 
 
Link