Projets

Dans le but de proposer une approche de classification collaborative, nous considérons le problème de la détection d'intrusions.

Dans le domaine de la <a href="http://bayes.cs.ucla.edu/WHY/">causalité</a&gt;, un calcul efficace et exhaustif des probabilités <em>par intervention</em> a été proposé par Judea Pearl (prix Turing, 2012). Ce calcul demande la représentation d'un modèle causal, extension d'un modèle probabiliste puis permet de déterminer la possibilité du calcul d'un impact causal.

Un grand nombre d'applications pourraient être intéressées par la possibilité d'intégrer un module de calcul probabiliste afin de fournir un score, une probabilités sur un état, un contexte, l'utilisateur, etc. Il est toutefois difficile d'embarquer un logiciel complet de calcul de probabilités complexes car ces logiciels sont assez lourds et gourmands en temps et en mémoire.

Dans le cadre de l'analyse décisionnelle, il est souvent intéressant, par exemple dans une application d'aide au diagnostic, de chercher à optimiser les séquences de questions/réparations qui permettront de trouver la cause d'une panne, d'un défaut, d'une maladie, etc. Un outil souvent décrit dans ce cadre est celui du calcul de la valeur de l'information parfaite (Value of Perfect Information, VPI).

L'évaluation d'algorithmes d'apprentissage par renforcement profond à actions continues repose sur l'utilisation de benchmarks standards qui consistent souvent en la simulation d'un système physique plus ou moins complexe qu'il faut contrôler. Parmi ces nombreux benchmarks (Half-Cheetah, Ant, Humanoid, etc.), Swimmer est un cas particulier.

Un projet P-ANDROIDE réalisé en 2019 a permis de démontrer la faisabilité d'utiliser différents algorithmes d'apprentissage par renforcement pour apprendre à piloter une voiture sur circuit, en utilisant l'environnement de simulation TORCS:
https://github.com/WissamAKRETCHE/DDPG-Keras-TORCS

Les algorithmes d'apprentissage par renforcement, en particulier profonds, font l'objet d'un compromis entre biais et variance qui joue un rôle important dans leur performance. Comme illustré dans mon cours en ligne et des ouvrages récents, les méthodes de Monte Carlo souffrent surtout de variance tandis que les méthodes dites "de bootstrap" qui utilisent un critique souffrent surtout de biais.

Nous disposons d'un essaim de 100 robots Kilobots de petites tailles. Chaque robot fait environ 2 cm de diamètre et peut communiquer avec ses voisins immédiats via infrarouge. Ces robots sont faciles à utiliser car on peut les programmer directement, et tous ensemble, via un émetteur infrarouge placé au dessus d'une arène.

L'objet considéré dans ce projet est un robot roulant représentant un véhicule terrestre intelligent sur lequel s'appuiera un acteur humain pour mener à bien ses missions. Le fonctionnement du robot est développé sous la forme d'un agent logiciel dont l'originalité est son processus de planification contextuelle tirant parti de l'exécution réelle des actions pour définir des plans d'exécution optimaux.

L'objectif de ce proejt est de développer un framework multi-agents en Python et s'appuyant sur DIMA.