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.
Mabrouk, A & Lemeire, J 2012, Analyse causale de performance des algorithmes à partir de données d’observation. in Journées Francophones sur les Réseaux Bayésiens (JFRB). Unknown, 12/05/12. <http://parallel.vub.ac.be/~jan>
Mabrouk, A., & Lemeire, J. (2012). Analyse causale de performance des algorithmes à partir de données d’observation. In Journées Francophones sur les Réseaux Bayésiens (JFRB) http://parallel.vub.ac.be/~jan
@inproceedings{9ff7ac3772614f308a153b68d2ed2a31,
title = "Analyse causale de performance des algorithmes {\`a} partir de donn{\'e}es d{\textquoteright}observation",
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.",
keywords = "causality, performance analysis",
author = "Ahmed Mabrouk and Jan Lemeire",
year = "2012",
month = may,
day = "12",
language = "French",
booktitle = "Journ{\'e}es Francophones sur les R{\'e}seaux Bay{\'e}siens (JFRB)",
note = "Unknown ; Conference date: 12-05-2012",
}