A&O

Apprentissage et Optimisation

L’algorithmique et le calcul touchent à tous les aspects théoriques et pratiques, logiciels et matériels de l’informatique. Depuis une décennie, l’intelligence artificielle et l’apprentissage s’intéressent à la conception automatique d’algorithmes et de processus de calcul, guidée par les données, l’expert, l’utilisateur et/ou l’environnement.

Thèmes de recherche

L’équipe A&O – équipe projet commune Paris-Saclay, CNRS et Inria Saclay – s’intéresse à l’apprentissage de modèles à partir des données, en mettant l’accent sur quatre axes fondamentaux.

  • Le premier concerne l’apprentissage adversarial qui repose sur l’interaction de deux ou plusieurs agents apprenants, remplaçant la fonction objectif inconnue par une approche de type min-max (théorie des jeux) ; cet axe est crucial également pour la validation et la certification des réseaux neuronaux.
  • Le second porte sur la sélection et la configuration d’algorithmes a priori, en fonction des données disponibles, aussi appelée AutoML ; il s’agit non seulement d’une condition nécessaire pour la démocratisation de l’IA, mais aussi d’un défi ouvert depuis 40 ans, lié à la définition des paramètres d’ordre des données.
  • Le troisième s’attaque aux problèmes d’apprentissage de modèles complexes et traite de l’identification des régularités permettant l’augmentation bien fondée des données dans les nombreux domaines d’application où les données sont petites (small data) par rapport à la complexité des modèles cherchés.
  • Enfin, loin de remplacer la connaissance par des modèles purement issus des données, un objectif consiste à dialoguer avec les connaissances du domaine, par exemple exprimées par des équations aux dérivées partielles ; l’enjeu est ici de faire le pont entre Apprentissage et Numerical Engineering, en lien avec le département Mécanique des Fluides-Énergétique.

Coordination

Publications récentes

  • Communication dans un congrès

    Florent Michel, Benoît Malézieux, Matthieu Kowalski, Thomas Moreau. L’entropie comme mesure de difficulté des problèmes inverses. GRETSI’23 – XXIXème Colloque Francophone de Traitement du Signal et des Images, Aug 2023, Grenoble, France. ⟨hal-05132642⟩

    AO

    Année de publication

    Disponible en libre accès

  • Pré-publication, Document de travail

    Marion Ullmo, Nabila Aghnim, Aurélien Decelle, Miguel Aragon-Calvo. Predicting large scale cosmological structure evolution with GAN-based autoencoders. 2024. ⟨hal-04525380⟩

    AO

    Année de publication

    Disponible en libre accès

  • Pré-publication, Document de travail

    Alena Shilova, Alex Davey, Brahim Driss, Riad Akrour. StaQ it! Growing neural networks for Policy Mirror Descent. 2025. ⟨hal-05118839⟩

    AO

    Année de publication

    Disponible en libre accès

  • Communication dans un congrès

    Dylan Sechet, Matthieu Kowalski, Samy Mokhtari, Bruno Torrésani. Revisiting CHAMPAGNE: Sparse Bayesian Learning as Reweighted Sparse Coding. SampTA 2025 – International Conference on Sampling Theory and Applications, Jul 2025, Vienna, Austria. ⟨hal-05130740⟩

    AO

    Année de publication

    Disponible en libre accès

  • Communication dans un congrès

    Guillaume Attuel, Matthieu Kowalski. Disentangling Myth from Reality: A Plea for exploring New Avenues. QIP25 – Quantum Information and Probability: from Foundations to Engineering, Andrei Khrennikov, Jun 2025, Vaxjö, Sweden. ⟨hal-05114054v2⟩

    AO

    Année de publication

    Disponible en libre accès

  • Article dans une revue

    Gianfranco Durin, Vincenzo Maria Schimmenti, Marco Baiesi, Arianna Casiraghi, Alessandro Magni, et al.. Earthquake-like dynamics in ultrathin magnetic film. Physical Review B, 2024, 110, pp.L020405. ⟨10.1103/PhysRevB.110.L020405⟩. ⟨hal-04352576⟩

    AO

    Année de publication

    Disponible en libre accès

  • Poster de conférence

    Romain Lloria, Florent Bouchard, Sylvain Chevallier, Frédéric Pascal. Blind separation with angular criteria. Journée du labo L2S, Jun 2023, Saint-Rémy-lès-Chevreuse, France. ⟨hal-05068005⟩

    AO

    Année de publication

    Disponible en libre accès

  • Pré-publication, Document de travail

    Audrey Poinsot, Panayiotis Panayiotou, Alessandro Leite, Nicolas Chesneau, Özgür Şimşek, et al.. Position: Causal Machine Learning Requires Rigorous Synthetic Experiments for Broader Adoption. 2025. ⟨hal-05066031v2⟩

    AO

    Année de publication

    Disponible en libre accès

  • Article dans une revue

    Gianluca Fasano, Cristina Marras, Emilio Sanfilippo, Monica Brinzei, Mathieu Husson, et al.. Unlocking the Potential of DH+AI: Opportunities, Challenges, and Recommendations. La Lettre de l’InSHS, 2025, 4 (92), pp.48-50. ⟨hal-05052377⟩

    AO

    Année de publication

    Disponible en libre accès

  • Pré-publication, Document de travail

    Guillaume Attuel, Matthieu Kowalski. Quantum pseudo-weirdness: Disentangling myth from reality.. 2025. ⟨hal-04970178v5⟩

    AO

    Année de publication

    Disponible en libre accès