Dauphine Numérique - Nos recherches
Machine Learning

Présentation

Nos travaux en apprentissage automatique couvre l’ensemble du spectre, de ses fondements théoriques et algorithmiques aux applications les plus avancées.

Au LAMSADE, les travaux en apprentissage sont structurés au sein de l’équipe/projet MILES (Machine Intelligence and LEarning Systems). Cette équipe/projet au positionnement unique en France dessine les contours et développe le domaine émergent de l’apprentissage automatique sûr et responsable (Trustworthy Machine Learning).

Pour ce faire, elle regroupe des chercheurs en théorie de l’apprentissage, théorie des jeux et choix social computationnel. Ses domaines de recherches couvrent entre autres :

  • Privacy-preserving ML (e.g. Differential Privacy)
  • Fairness in ML
  • Robustness to adversarial attacks
  • Explainable and Interpretable ML: Causal inference, Sparse models
  • Energy-efficient Deep Learning
  • Online Learning and multi-agent learning

Chercheurs

Alexandre Allauzen, Jamal Atif, Tristan Cazenave, Jérôme Lang, Rida Laraki, Florian Yger, Benjamin Negrevergne, Clément Royer, Fabrice Rossi

Publications récentes

  • Pinot, R., Meunier, L., Araujo, A., Kashima, H., Yger, F., Gouy-Pailler, C., & Atif, J. (2019). Theoretical evidence for adversarial robustness through randomization. In Advances in Neural Information Processing Systems (pp. 11838-11848).
  • Yamane, I., Yger, F., Atif, J., & Sugiyama, M. (2018). Uplift modeling from separate labels. In Advances in Neural Information Processing Systems (pp. 9927-9937).
  • Clertant, M., Sokolovska, N., Chevaleyre, Y., & Hanczar, B. (2019, April). Interpretable Cascade Classifiers with Abstention. In The 22nd International Conference on Artificial Intelligence and Statistics (pp. 2312-2320).
  • Rafael Pinot, Anne MorvanFlorian YgerCédric Gouy-PaillerJamal Atif: Graph-based Clustering under Differential Privacy. UAI 2018: 329-338