Scool is a research group in machine learning.
Scool investigates the problem of sequential decision making under uncertainty. We focus on reinforcement learning and bandit problems. We consider mainly on non stationary environments and continual learing more generally. We aim at designing algorithms with guaranteed performance, while coping with constraints of real applications.
Regarding applications, we favor works related either to health, or to sustainable development, or to e-learning.
Our activities range from fundamental reserch to applications through collaborations or contracts with academic or private partners.
Philippe Preux
Effect of Noisy Perturbations and Uncertainty Quantification in Sequential Decision Making under Uncertainty
Efficient Exploration in Structured Bandits and Reinforcement Learning
Apprentissage par renforcement explicable
Apprentissage par renforcement pour la résolution séquentielle de problèmes d'optimisation combinatoire incertains et partiellement définis
Apprentissage par renforcement et robustesse face aux attaques adversariales
Algorithmes adaptatifs pour la prise de décision en temps court
Vers la réduction du fossé entre l'induction et la déduction : le cas de l'apprentissage par renforcement
Bandits non stationnaires et recommandations médicales
Apprentissage par renforcement dans les jeux à champ moyen
Structures et regrets en apprentissage par renforcement
Repositionnement de médicaments basé sur leurs effets transcriptionnels par des appoches de réseau géniques
Structure adaptation in reinforcement learning
Bandits non-stationnaires et applications au suivi de patients
Exploration/exploitation à grande échelle
Exploration en apprentissage par renforcement : au-delà des espaces d'états finis 18/03/2022
Sample-Efficient Deep Reinforcement Learning for Control, Exploration and Safety 06/10/2021
français
English