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

  • Rapport

    Dominique Laurent, Nicolas Spyratos. Consistent Query Answering without Repairs in Tables with Nulls and Functional Dependencies. CY Cergy Paris Université – Laboratoire ETIS. 2023. ⟨hal-03931310⟩

    AO

    Année de publication 2023

    Disponible en libre accès

  • Pré-publication, Document de travail

    Loris Felardos, Jérôme Hénin, Guillaume Charpiat. Designing losses for data-free training of normalizing flows on Boltzmann distributions. 2023. ⟨hal-03936982⟩

    AO

    Année de publication 2023

    Disponible en libre accès

  • Communication dans un congrès

    Wenzhuo Liu, Mouadh Yagoubi, David Danan, Marc Schoenauer. Multi-Fidelity Transfer Learning for accurate data-based PDE approximation. Machine Learning and the Physical Sciences workshop, NeurIPS 2022, Nov 2022, New Orleans, United States. ⟨hal-03878200v2⟩

    AO

    Année de publication 2022

    Disponible en libre accès

  • Article dans une revue

    Sarah Hartley, Guillaume Bao, Marine Zagdoun, Sylvain Chevallier, Frédéric Lofaso, et al.. Noninvasive Vagus Nerve Stimulation: A New Therapeutic Approach for Pharmacoresistant Restless Legs Syndrome. Neuromodulation, 2022, ⟨10.1016/j.neurom.2022.10.046⟩. ⟨hal-03921967⟩

    AO

    Année de publication 2022

    Disponible en libre accès

  • Communication dans un congrès

    Mathurin Videau, Alessandro Leite, Olivier Teytaud, Marc Schoenauer. Multi-Objective Genetic Programming for Explainable Reinforcement Learning. Proc. EuroGP 2022, Apr 2022, Madrid, France. pp.278-293, ⟨10.1007/978-3-031-02056-8_18⟩. ⟨hal-03886307⟩

    AO

    Année de publication 2022

    Disponible en libre accès