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
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
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