Présentation

SCOOL est une équipe de recherche en apprentissage automatique.

SCOOL est dédié à l’étude de la prise de la décision séquentielle dans un environnement incertain, en particulier sur les problèmes de bandits et d’apprentissage par renforcement. Nous mettons l’accent sur les environnements non stationnaires et l’apprentissage continuel. Nous cherchons à concevoir des algorithmes ayant une efficacité garantie, en tenant compte de contraintes d’applications réalistes.

Concernant les champs d’application, nous favorisons les travaux en lien avec le secteur de la santé, celui du développement durable en particulier en agriculture et l’agro-écologie. Les activités vont de la recherche fondamentale à la valorisation au travers de collaborations ou contrats avec des partenaires académiques et privés.

Ayoub Ajarra

Vérification du biais des algorithmes d'apprentissage automatique à l'aide de l'échantillonnage adaptatif et de l'apprentissage en ligne

Achraf Azize

Effect of Noisy Perturbations and Uncertainty Quantification in Sequential Decision Making under Uncertainty

Mickael Basson

Apprentissage par renforcement (RL) à l'aide de réseaux de neurones sur graphes pour l'optimisation combinatoire

Yann Berthelot

Apprentissage par renforcement basé sur des modèles appliqués au contrôle avancé des procédés industriels

Udvas Das

Apprentissage par renforcement sous contraintes

Anthony Kobanda

Apprentissage par renforcement continu en environnement dynamique

Hector Kohler

Représentations sémantiques pour l'apprentissage par renforcement interprétable

Penanklihi Cyrille Kone

Algorithmes de bandit pour les essais cliniques précoces en vaccinologie

Matheus Medeiros centa

Vers la réduction du fossé entre l'induction et la déduction : le cas de l'apprentissage par renforcement

Adrienne Tuynman

Tests adaptatifs sous contraintes de frugalité

Sumit Vashishtha

Défis réels pour la théorie de l'apprentissage par renforcement

Les autres équipes du groupe thématique ' DatInG '

MAGNET SIGMA