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
Efficient Exploration in Structured Bandits and Reinforcement Learning
Sequential Learning in Dynamic Environments
Apprentissage par renforcement explicable
Deep Reinforcement Learning in Stochastic and non Stationary Environments
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
Bandits non stationnaires et recommandations médicales
Apprentissage par renforcement dans les jeux à champ moyen
Structures et regrets en apprentissage par renforcement
Structure adaptation in reinforcement learning
Bandits non-stationnaires et applications au suivi de patients
Problème de récompenses Multi'échelle dans le contexte de l'apprentissage par renforcement
Méthodes adaptatives pour l'optimisation dans un environnement stochastique
Exploration/exploitation à grande échelle
français
English