Maha Ouali

Communication dans un congrès

Rethinking Synthetic Twins: Average Treatment Effect Estimation with Latent Representations Learning

Ouali Maha, Badih Ghattas, Flachaire Emmanuel, Bozzi Laurent, Charpentier Philippe, 06/2025

Résumé La demande croissante de flexibilité énergétique a conduit au développement de programmes de réduction de la consommation en période de pointe. EDF R&D a lancé plusieurs initiatives utilisant les données des compteurs Linky. Cependant, évaluer leur impact reste difficile en raison des modèles de consommation individualisés, du biais de sélection dû à la participation volontaire et des limites des méthodes classiques d'inférence causale. Nous simulons un environnement contrôlé pour examiner ces défis et comparons les approches traditionnelles avec des méthodes d'apprentissage automatique comme SyncTwin, qui crée des jumeaux synthétiques pour gérer les variables cachées. Nos résultats montrent que les séries temporelles complexes défient les méthodes classiques, surtout avec des variables non observées influençant le traitement. Nous expliquons théoriquement pourquoi ces approches échouent, en raison de covariables inaccessibles influençant le score de propension. Nos travaux ouvrent la voie à de nouvelles techniques pour améliorer l'évaluation des programmes d'économie d'énergie.

Mots clés Intelligence Artificielle, Contrôle synthétique, Inférence causale

HAL Google Scholar