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.
Philippe Preux
Effect of Noisy Perturbations and Uncertainty Quantification in Sequential Decision Making under Uncertainty
Apprentissage par renforcement pour la résolution séquentielle de problèmes d'optimisation combinatoire incertains et partiellement définis
Algorithmes adaptatifs pour la prise de décision en temps court
Représentations sémantiques pour l'apprentissage par renforcement interprétable
Algorithmes de bandit pour les essais cliniques précoces en vaccinologie
Vers la réduction du fossé entre l'induction et la déduction : le cas de l'apprentissage par renforcement
Bandits non stationnaires et recommandations médicales
Structures et regrets en apprentissage par renforcement
Bandits non-stationnaires et applications au suivi de patients
Défis réels pour la théorie de l'apprentissage par renforcement
Apprentissage par démonstrations : transfert des motivations humaines aux algorithmes 14/12/2022
Apprentissage par Renforcement Profond Efficace pour le Contrôle, l’Exploration et la Sûreté 06/10/2021
Méthodes adaptatives pour l’optimisation dans un environnement stochastique 29/09/2021