La morphologie mathématique est une théorie non linéaire d’analyse de structures qui a été largement appliquée à l’analyse d’images. Ses fondements mathématiques proviennent de l’algèbre, de la théorie des treillis […]

The theory of belief functions is a powerful formalism for uncertain reasoning, with many successful applications to knowledge representation, information fusion, and machine learning. Until now, however, most applications have been limited to problems (such as classification) in which the variables of interest take values in finite domains. Although belief functions can, in theory, be defined in infinite spaces, we lacked practical representations allowing us to manipulate and combine such belief functions. In this talk, I show that the theory of epistemic random fuzzy sets, an extension of Possibility and Dempster-Shafer theories, provides an appropriate framework for evidential reasoning in general spaces. In particular, I introduce Gaussian random fuzzy numbers and vectors, which generalize both Gaussian random variables and Gaussian possibility distributions. I then describe an application of this new formalism to nonlinear regression with uncertainty quantification.

Allocating multiple resources is an ubiquitous problem in multi-agent systems or economics with many applications such as allocating schools or universities to students, medical resources to hospitals, public housing to families… To promote acceptance of resource allocation systems, it is necessary to improve user confidence by developing reliable, fair and interpretable allocation mechanisms. Different fairness notions have been described in economics and computational social choice. In this talk, we will mainly focus on the notion of envy and argue that minimizing the envy is a natural criterion to promote acceptance of an allocation. We will review various allocation contexts (among social networks, under partial observability, with diversity constraints) and propose different relaxations of the envy-freeness notion. We will then investigate interpretable multi-agent protocols for fairly allocating resources and promoting acceptance of the outcome.

The Covid-19 health crisis has seen an increase in the use of digital work platforms from videoconferencing systems to MOOC-type educational platforms and crowdsourcing and freelancing marketplaces. These levers for sharing knowledge and learning constitute the premises of the future of work. Educational technologies coupled with AI hold the promise of helping learners and teachers. However, they are still limited in terms of social interactions, user experience and learning opportunities as they must address a tension between learner-centered and platform-centered goals. I will describe research at the intersection of data-informed recommendations and education theory and conclude with ethical considerations in building educational platforms.

A few years ago, François Chollet introduced a measure of intelligence, and a form of IQ test for machines, called the Abstraction and Reasoning Corpus (ARC). His motivation was to foster AI research towards more general and less task-specific artificial intelligence. He defines intelligence as skill acquisition efficiency rather than skill performance, where acquisition efficiency means learning with limited prior knowledge and few training examples. ARC is a set of tasks that consist in learning a transformation of small colored grids, from a few examples. Public challenges have shown the difficulty of ARC for machines compared to humans, despite its apparent simplicity. In this talk, after presenting Chollet’s measure of intelligence and ARC, I will present an approach that gives encouraging results on ARC, and that can be applied to other kinds of tasks. Existing approaches use program synthesis where programs are essentially function compositions, i.e. expressions. In contrast, we use object-centric models that combine patterns and expressions, and have a non-deterministic semantics. We also use the Minimum Description Length (MDL) principle in order to guide the search for models. This enables us to learn more complex models, in less time, and with less prior knowledge.

Si les travaux en « explicabilité » abondent, ils font rarement le lien avec ceux menés en théorie de la décision, qui fondent les diverses procédures appliquées sur un certain nombre de modèles de rationalité.
Dans cet exposé, nous montrerons qu’il est possible de proposer des moteurs d’explication des préférences fondés sur l’articulation de principes décisionnels. En enrichissant la palette d’approches disponibles, ces moteurs nous permettront en retour de mieux cerner les problématiques associées à la production d’explications.

Le choix social computationnel est un domaine interdisciplinaire à la croisée de l’économie, de l’IA et plus généralement de l’informatique. Il consiste à concevoir, analyser et calculer des mécanismes de prise de décisions collectives, avec divers sous-domaines d’application tels que le vote, l’allocation équitable des ressources, le budget participatif, la sélection de groupes d’individus représentatifs, ou l’appariement avec préférences. La rencontre de l’IA et du choix social n’a pas seulement permis de développer des algorithmes pour la prise de décision collective : elle a contribué à remodeler et à revitaliser le domaine, en identifiant de nouveaux paradigmes, de nouveaux problèmes et de nouveaux objets d’étude. Au cours de l’exposé, je donnerai quelques exemples montrant le rôle de diverses sous-communautés de l’IA dans l’étude de la prise de décision collective.

L’analyse de l’erreur humaine pour anticiper et prévenir les accidents reste un territoire peu exploré par l’IA. Pour cause : si le diagnostic de systèmes a fait l’objet de nombreux travaux, l’utilisation de modèles logiques pour diagnostiquer des erreurs humaines se heurtent à une difficulté majeure : l’erreur humaine n’est pas logique. Dans cet exposé, nous montrerons comment il est possible de modéliser, à l’aide de la logique, des phénomènes non-rationnels pour raisonner dessus à l’aide d’outils issus des méthodes formelles. Nous montrerons que cela nous a conduit à reconsidérer les problèmes classiques du décors, du diagnostic fondé sur la cohérence et de la révision de croyance.