Stage

La responsable des stages est Safia Kedad-Sidhoum.
La durée des stages est de 5 mois minimum et 6 mois maximum. Les soutenances auront lieu cette année en Septembre.
Propositions de stages de M2.

Machine learning & causalité

La recherche récente dans le domaine de l’explicabilité dans l’apprentissage machine, a produit des frameworks comme SHAP qui fournissent des explications localement additives, permettant d’analyser facilement la relation entre la variation des variables d’observations et celle de la cible. Cependant peu de variables sont réellement actionnables, et certaines variables sont des conséquences d’autres variables, qui peuvent être absentes du jeu de données.

Thématiques: 
Aide à la Décision
Recherche Opérationnelle

Jeux stochastiques à grande dimension

Les jeux stochastiques sont une généralisation des modèles de jeux statiques qui permettent de représenter un grand nombre de situations : en économie, en sécurité des réseaux, en partage de ressources ou encore en modélisation de systèmes multi agents. En effet, ils permettent de modéliser finement les interactions entre les agents (les joueurs) au cours du temps dans un environnement qui évolue aléatoirement. Ce type de jeu se déroule en plusieurs étapes durant lesquelles l'état du système varie suivant les actions des agents et de l'environnement probabiliste.

Thématiques: 
Aide à la Décision
Recherche Opérationnelle

Social learning for collaborative robots in manufacturing situations

Context:
Most collaborative robots will be dropped in human environment where they will have to accomplish missions. They will be engaged in interaction with human individuals concerned by these missions. Optimizing and personalizing robot behaviors in such situations will require having a detailed perception of psychological and emotional features of human co-workers as well as mechanisms of mutual adaptation.

Thématiques: 
Aide à la Décision
Robotique
Systèmes Multi-Agents

Interactive Machine Teaching for Social Agents

Context:
In this work we focus on machine teaching [Zhu2018], which is the inverse problem of machine learning. Machine teaching studies the interaction between a teacher and a learner. Given a learning model and a target, the teacher aims to find an optimal set of training examples for the learner. In such a setting, the teacher selects a set of training examples based on previous learner performances. Machine teaching has been developed and applied in several contexts including education and adversarial settings (e.g., attacks).

Thématiques: 
Robotique
Systèmes Multi-Agents

Interaction Humain Agent : Dynamique des groupes d'agents virtuels

Le laboratoire LTCI de l'école Télécom Paris (Institut Polytechnique de Paris, Palaiseau) ainsi que le LIMSI-CNRS (Université Paris-Saclay, Orsay) proposent un stage de niveau M2 en Informatique Affective / IHM dans le domaine des interactions humains agents.

Thématiques: 
Jeux sérieux
Systèmes Multi-Agents

Pages

User login