Ce projet étudie les mécanismes de transformation sur les graphes de propriétés afin de faciliter l'inférence causale. Il vise à comprendre comment les modèles de données basés sur des graphes peuvent encoder non seulement des informations factuelles, mais aussi les relations causales entre les entités.Le projet s’appuie sur des théories établies de la causalité, notamment les graphes causaux, les modèles causaux structurels et les équations structurelles, qui en constituent le fondement conceptuel. L’un des objectifs centraux est de traduire ces constructions théoriques en règles fondées sur la logique du premier ordre pouvant être appliquées aux graphes de propriétés, permettant ainsi l’identification, la préservation et la transformation contrôlée des dépendances causales.Pour y parvenir, le projet explore comment les cadres logiques expressifs issus de l’intégration de données peuvent être utilisés pour formaliser des contraintes causales et des règles d’inférence sur des graphes. Une exigence clé est que les transformations de graphes restent fidèles à la sémantique causale sous-jacente et préservent les propriétés essentielles au raisonnement causal, telles que la d-séparation, les critères de « back-door » et les critères de « front-door ».