Axe 1 : Apprentissage et raisonnement

Les systèmes de décision automatiques sont actuellement déployés à grande échelle. Ils affectent déjà la vie des citoyens et leur impact devrait s'accroître. Souvent basés sur des modèles complexes d’apprentissage automatique basés sur les données, ces systèmes soulèvent de nombreux défis scientifiques en matière de sécurité, de robustesse, de confidentialité, d’équité et d’efficacité des données lorsque les données annotées en masse ne sont pas disponibles. L’écosystème grenoblois possède de nombreux atouts pour relever ces défis en combinant les perspectives de différents domaines scientifiques, tant académiques que industriels. Il existe en effet une longue tradition de recherche en optimisation, statistiques, intelligence artificielle symbolique à Grenoble, ainsi qu'une recherche plus récente en apprentissage automatique. Notre stratégie dans MIAI consiste à favoriser les interactions entre ces différentes disciplines, afin d'apporter des contributions fondamentales à l'apprentissage et au raisonnement automatiques à travers les programmes de recherche ci-dessous, et de les relier à des applications, qui seront détaillées dans d'autres axes.

1.1. Modèles de machine learning

Malgré leur succès, les modèles d’apprentissage automatique de très grandes dimensions tels que les réseaux de neurones multicouches manquent de propriétés de stabilité cruciales, ce qui les rend dépendants d’énormes ensembles de données annotées. Nous prévoyons d’aborder ce problème sous plusieurs angles complémentaires. Nous développerons des principes de régularisation fondés sur la théorie pour les modèles de haute dimension afin de les rendre plus efficaces en données, introduirons de nouveaux paradigmes d'apprentissage nous permettant d'exploiter de manière séquentielle plusieurs tâches d'apprentissage, proposerons de nouvelles approches d'apprentissage par transfert et explorerons d'autres paradigmes inspirés par les sciences cognitives.

  • Towards Robust and Understandable Neuromorphic Systems - Achard (AI) & Mermillod (Cognitive science)
  • Lifelong Representation Learning - Larlus & Perronnin
  • Towards More Data Efficiency in Machine Learning - Mairal

1.2. Statistiques et optimisation

Le développement de modèles d'apprentissage automatique robustes à grande échelle nécessite un effort de recherche conjoint en statistique et en optimisation. MIAI prévoit d’apporter des contributions fondamentales dans les deux domaines ; nous allons développer des cadres statistiques unifiés pour mieux comprendre et améliorer la conception de modèles de grande dimension en utilisant des outils d'optimisation convexe, de physique statistique et de théorie des matrices aléatoires. Du côté algorithmique, nous nous concentrerons également sur les techniques d’optimisation distribuée, ainsi que sur le développement de modèles génératifs et de stratégies robustes pour faire face aux problèmes contradictoires qui se produisent fréquemment dans les formulations d’apprentissage automatique.

  • Large Dimensional Statistics for AI - Couillet
  • High-dimensional Inference by Convex Optimisation - Juditsky (Local) & Nemirovski (International)
  • Optimisation & Learning - Malick (Local) & Nesterov (International)

1.3. IA équitable et évolutivité de l'IA

Les systèmes d'intelligence artificielle modernes basés sur des données sont désormais capables de prendre automatiquement des décisions avec un impact sociétal important, mais ils soulèvent d'importantes questions concernant la confidentialité des données personnelles, l'équité et la discrimination basée sur des biais de données. L'intelligence artificielle symbolique et basée sur la logique fournit des cadres solides pour relever ces défis. En adoptant une approche pluridisciplinaire, nous prévoyons de développer des systèmes d’IA qui expliquent leurs décisions, certifient l’équité et la confidentialité, et comprennent les mécanismes qui régissent l’évolution des connaissances dans des environnements où coexistent des systèmes humains et des systèmes d’IA.

  • Explainable and Responsible AI - Loiseau & Rousset
  • Knowledge communication and evolution - Euzenat