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 ou du e-learning.
Les activités vont de la recherche fondamentale à la valorisation au travers de collaborations ou contrats avec des partenaires académiques et privés.

Dorian Baudry

Efficient Exploration in Structured Bandits and Reinforcement Learning

Omar Darwiche Domingues

Sequential Learning in Dynamic Environments

Johan Ferret

Apprentissage par renforcement explicable

Yannis Flet-Berliac

Deep Reinforcement Learning in Stochastic and non Stationary Environments

Nathan Grinsztajn

Apprentissage par renforcement pour la résolution séquentielle de problèmes d'optimisation combinatoire incertains et partiellement définis

Léonard Hussenot Desenonges

Apprentissage par renforcement et robustesse face aux attaques adversariales

Reda Ouhamma

Bandits non stationnaires et recommandations médicales

Sarah Perrin

Apprentissage par renforcement dans les jeux à champ moyen

Fabien Pesquerel

Structures et regrets en apprentissage par renforcement

Hassan Saber

Structure adaptation in reinforcement learning

Patrick Saux

Bandits non-stationnaires et applications au suivi de patients

Mathieu Seurin

Problème de récompenses Multi'échelle dans le contexte de l'apprentissage par renforcement

Xuedong Shang

Méthodes adaptatives pour l'optimisation dans un environnement stochastique

Jean Tarbouriech

Exploration/exploitation à grande échelle

Les autres équipes du groupe thématique ' DatInG '

LINKS MAGNET SIGMA