Magnet est une équipe commune entre INRIA et CRIStAL.

L’un des principaux objectifs de Magnet est de rendre l’intelligence artificielle plus acceptable pour la société en résolvant certains problèmes éthiques en apprentissage automatique et en favorisant la prise de contrôle et la souveraineté des citoyens. D’un point de vue scientifique, nous nous concentrons sur la protection de la vie privée, l’équité et la sobriété (des données), la sûreté et la vérifiabilité des calculs. Nos approches sont généralement issues de la théorie de l’apprentissage statistique, de l’optimisation (distribuée), de la théorie des graphes, de l’apprentissage de représentation.

Principalement, nous proposons des garanties théoriques en apprentissage automatique, mais nous envisageons également des travaux plus empiriques dans des domaines qui couvrent la santé, la mobilité, les sciences sociales et les technologies vocales.

Thèmes de recherche

Notre recherche s’articule autour de trois axes principaux :

- Extraction et apprentissage dans les graphes : nous étudions le compromis entre la précision, la complexité et la satisfaction de propriétés éthiques des algorithmes d’apprentissage basés sur les graphes.

- Apprentissage automatique pour le traitement du langage naturel : nous étudions comment améliorer les méthodes de traitement du langage naturel avec des algorithmes d’apprentissage basés sur les graphes et comment intégrer des contraintes éthiques dans cet apprentissage. L’objectif est de dépasser les approches vectorielles basiques pour résoudre des tâches nombreuses et variées telles que la résolution de coréférences et l’établissement de liens entre entités, la prédiction de structures temporelles et l’analyse syntaxique du discours.

- Apprentissage automatique décentralisé : nous abordons le problème de l’apprentissage respectueux de la vie privée, sûr, équitable et économe en énergie lorsque les utilisateurs et les données sont naturellement distribués dans un réseau. D’un point de vue algorithmique, nous étudions l’apprentissage fédéré et l’apprentissage entièrement décentralisé. Nous considérons également la recherche à un niveau global et holistique, dans des pipelines complexes qui impliquent l’apprentissage.