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
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
Apprentissage par Renforcement Profond Efficace pour le Contrôle, l’Exploration et la Sûreté 06/10/2021