Dauphine Numérique - Nos recherches Apprentissage automatique
Au cœur de l’IA moderne
L'apprentissage automatique, domaine à la croisée de l’informatique et des mathématiques appliquées, a pour but de concevoir des modèles de décisions automatiques, à des fins de prédiction ou d’explication, à partir des données ou d’expériences, et qui s’améliorent dans le temps.
À l'ère du « Big Data », l'information est omniprésente et n'est plus à l'échelle humaine. Cela rend l'utilisation et le développement de méthodes d'apprentissage automatique nécessaires.
Apprentissage profond
Optimisation
Statistiques en grandes dimensions
Garanties théoriques
Algorithmes efficaces
Confidentialité
Robustesse aux attaques adverses
Équité
Apprentissage en ligne
Inférence bayésienne
Des champs d'applications multiples, couverts à Dauphine - PSL
Santé (Imagerie médicale, signaux EEG pour les Interfaces Cerveau/Machine)
Robotique (notamment robotique d'assistance)
Traitement des images et vision par ordinateur
Traitement automatique des langues
Art et sciences humaines
Jeux
...
Nos recherches
Les travaux en apprentissage automatique couvrent l’ensemble du spectre de ce domaine de recherche, de ses fondements théoriques et algorithmiques aux applications les plus avancées.
Ces recherches, menées au sein de nos laboratoires LAMSADE et CEREMADE, couvrent les thèmes suivants :
- Théorie de l'apprentissage profond (deep learning)
- Optimisation pour l'apprentissage automatique
- Inférence bayésienne
- Modèles parcimonieux et grandes dimensions
- Acquisition comprimée
- Recherche Monte Carlo arborescente
- Apprentissage pour les jeux
- Apprentissage en ligne et théorie des jeux
- Apprentissage par renforcement
- Apprentissage non-supervisé à large échelle
- Modèles préservant la confidentialité (par exemple, confidentialité différentielle)
- Equité dans l’apprentissage automatique
- Robustesse contre les attaques adverses
- IA explicable et interprétable : inférence causale, modèles parcimonieux
- Apprentissage profond économe en énergie
- Apprentissage en ligne et apprentissage multi-agents
Dans les laboratoires de Dauphine - PSL
Nos chercheurs
BIOGRAPHIE : Diplômé de l'ENS Cachan, professeur à l'ESPCI et membre de l’équipe MILES au sein du LAMSADE. Ses thèmes de recherche sont l’apprentissage automatique et le deep learning appliqués au traitement automatique des langues et plus récemment à la modélisation de phénomènes physiques.
MOTS-CLES : Deep Learning, Traitement Automatique des langues, Application à la physique.
SELECTION DE PUBLICATIONS :
Allauzen A., Wisniewski G., Cordier L., Mathelin L. Bucci MA., Semeraro O. (2019), Control of chaotic systems by deep reinforcement learning, In the Journal Proceedings of the Royal Society A, Volume 475, Issue 2231. The Royal Society Publishing.
Labeau M., Löser K., Allauzen A., Non-lexical neural architecture for fine-grained POS tagging, Proceedings of the 2015, Conference on Empirical Methods in Natural Language Processing.
Son LH., Allauzen A., Yvon F. (2012), Continuous space translation models with neural networks, Conference of the North American Chapter of the Association for Computational Linguistics : Human Language Technologies.
BIOGRAPHIE : Professeur d'informatique, ses sujets d'intérêt portent sur l'intelligence artificielle, les méthodes Monte Carlo pour les jeux et les problèmes d'optimisation. Il est titulaire d’une chaire de l’Institut PRAIRIE.
MOTS-CLES : Algorithmes de recherche Monte-Carlo - Deep learning - Jeux - Problèmes d’optimisation
SELECTION DE PUBLICATIONS :
Cazenave T., Chen YC., Chen GW., Chen SY., Chiu XD., Dehos J., Elsa M., Gong Q., Hu H., Khalidov V., Li CL., Lin HI., Lin YJ., Martinet X., Mella V., Rapin J., Roziere B., Synnaeve G., Teytaud F., Teytaud O., Ye SC., Ye YJ., Yen SJ., Zagoruyko S. (2020), Polygames : Improved Zero Learning. ICGA Journal, Vol. 42 (2).
Cazenave T. (2018), Residual Networks for Computer Go, IEEE Transactions on Games, Vol. 10 (1), pp. 107-110.
Cazenave T. (2016), Playout Policy Adaptation with Move Features, Theoretical Computer Science, Vol. 644, pp. 43-52.
Cazenave T., Generalized Rapid Action Value Estimation, IJCAI 2015, pp. 754-760.
BIOGRAPHIE : Depuis 2017, Professeur au laboratoire LAMSADE.
De 2009 à 2017, Professeur à l'Université Paris-Nord et Directeur de l'équipe "sciences des données" au laboratoire LIPN.
En 2009, Thèse d'habilitation à l'université Paris-Dauphine.
De 2002 à 2009, Maître de conférences au LAMSADE.MOTS-CLÉS : Machine learning et deep learning, Apprentissage par renforcement pour à la robotique, Modèles interprétables, Applications en santé
SÉLECTION DE PUBLICATIONS :
Pinot R., Ettedgui R., Rizk G., Chevaleyre Y., Atif J., Randomization matters How to defend against strong adversarial attacks, International Conference on Machine Learning (ICML 2020)
Duburcq A., Chevaleyre Y, Bredeche N., Boéris G., Online trajectory planning through combined trajectory optimization and function approximation: Application to the exoskeleton Atalante. IEEE International Conference on Robotics and Automation (ICRA 2020), 3756-3762. Nominated for the Best Paper Award in Service Robotics.
Clertant M., Sokolovska N., Chevaleyre Y., Hanczar B., Interpretable Cascade Classifiers with Abstention, AISTATS 2019
BIOGRAPHIE : Diplômé de l’ENS et docteur en mathématiques, il est directeur de recherche CNRS, directeur scientifique du Health Data Hub et professeur associé à l'Ecole Polytechnique (2014-2019).
Ses thèmes de recherche : finance statistique, santé et plus récemment développement durable.
Il est titulaire d’une chaire PRAIRIE.MOTS-CLÉS : Processus aléatoire en interaction, Machine learning en grande dimension, Applications en santé, Finance statistique
Christian P. ROBERT
Professeur des Universités CEREMADE
BIOGRAPHIE : Professeur à Dauphine depuis 2000, professeur à temps partiel Warwick University (2013-), il est membre senior de l'Institut Universitaire de France (2010-2021), ancien rédacteur en chef du Journal of the Royal Statistical Society (2006-2010) et rédacteur en chef adjoint de Biometrika (2018-).
Il est titulaire d’une Chaire PRAIRIE.MOTS-CLÉS : Méthodes de Monte Carlo, Grands jeux de données, Calculs bayésiens approximatifs (ABC), Modèles à grande complexité
SÉLECTION DE PUBLICATIONS :
Pudlo P., Marin J.-M., Estoup A., Cornuet J.-M., Gauthier M., Robert, CP. (2016), Reliable ABC model choice via random forests, Bioinformatics 32(6), 859-866
Douc R. and Robert CP. (2011), A vanilla Rao--Blackwellisation of Metropolis-Hastings algorithms, Annals of Statistics 39(1), 261-277.
Beaumont M., Robert CP., Marin JM., Cornuet JM. (2009), Adaptivity for ABC algorithms : the ABC-PMC scheme, Biometrika 96(4), 983-990.
BIOGRAPHIE : Après une thèse en traitement du signal et apprentissage à l'ENS de Paris et un post-doctorat au MIT, elle est chargée de recherche au CNRS, rattachée au CEREMADE ainsi qu'à l'équipe Inria Mokaplan.
Médaillée de bronze du CNRS en 2020, elle est titulaire d’une chaire à l’Institut PRAIRIE.MOTS-CLÉS : Optimisation non-convexe
SÉLECTION DE PUBLICATIONS :
Waldspurger I., Waters A. (2020), Rank optimality for the Burer-Monteiro factorization (To appear in SIAM Journal on Optimization, 2020)
Waldspurger I. (2018), Phase retrieval with random Gaussian sensing vectors by alternating projections, IEEE Transactions on Information Theory, 64(5), pages 3301-3312
Waldspurger I., d'Aspremont A., Mallat S. (2015), Phase recovery, MaxCut and complex semi definite programming, Mathematical Programming, 149(1-2), pages 47-81
Nos autres chercheurs
Jamal Atif, Jerome Lang, Rida Laraki, Florian Yger, Benjamin Negrevergne, Clément Royer, Fabrice Rossi, Julien Stoehlr, Marc Hoffmann, Robin Ryder, Vincent Rivoirard, Laurent Cohen
Exemples de travaux
- Pinot R., Meunier L., Araujo A., Kashima H., Yger F., Gouy-Pailler C., Atif J. Theoretical evidence for adversarial robustness through randomization. In Advances in Neural Information Processing Systems (pp. 11838-11848) (2019)
- Bucci MA., Semeraro O., Allauzen A., Wisniewski G., Cordier L., Mathelin L. Control of chaotic systems by deep reinforcement learning. Proceedings of the Royal Society A 475 (2231), 20190351 (2019)
- Bacry E., Gaïffas S., Kabeshova A., Yu Y. ZiMM : a deep learning model for long term adverse events with non-clinical claims data. arXiv preprint arXiv:1911.05346 (2019)
- Morel M., Bacry E., Gaiffas S., Guilloux A., Leroy F. ConvSCCS : convolutional self-controlled case-series model for lagged adverser event detection. Biostatistics (2019)
- Raynal L., Marin JM., Pudlo P., Ribatet M., Robert CP., Estoup A. ABC random forests for Bayesian parameter inference. Bioinform. 35(10) : 1720-1728 (2019)
- Frazier D., Robert C., Rousseau J. Model Misspecification in ABC : Consequences and Diagnostics. Journal of the Royal Statistical Society. Series B, Statistical Methodology (2019)
- Groscot R., Cohen LD. Shape part Transfer via semantic latent space factorization 4th conference on Geometric Science of Information (GSI2019), Aug 2019, Toulouse, France
- Yamane, I., Yger, F., Atif, J., Sugiyama, M. Uplift modeling from separate labels. In Advances in Neural Information Processing Systems (pp. 9927-9937) (2018)
- Cazenave T. Residual Networks for Computer Go. IEEE Trans. Games 10(1) : 107-110 (2018)
- Labeau M., Allauzen A. Learning with Noise-Contrastive Estimation : Easing training by learning to scale. COLING 2018 : 3090-3101