Objectifs de la chaire
L’objectif de la chaire est de construire de nouvelles méthodes d’apprentissage automatique pour obtenir des algorithmes. La présence de préjugés et de discrimination est bien reconnue dans l’apprentissage automatique. Au lieu de fournir des décisions qui semblent nettes et précises, les algorithmes peuvent perpétuer ou même exacerber les biais dans les données.
L’objectif de ce projet est de développer de nouveaux types d’algorithmes d’apprentissage automatique, qui, tout en étant capables de fournir des prévisions ou des prédictions efficaces, ne reflètent aucun biais dans leurs résultats et réalisent ainsi ce qu’on appelle aujourd’hui l’équité en décisions algorithmiques.
Le nombre d’articles de recherche dans ce domaine a augmenté de façon exponentielle au cours des dernières années et des contributions récentes dans le domaine ont proposé diverses définitions mathématiques et de nouveaux algorithmes. Pourtant, peu d’ouvrages ont réussi à mettre en avant des algorithmes qui s’appuient sur de solides garanties théoriques et une évaluation de qualité, qui sont des exigences incontournables pour pouvoir certifier le comportement équitable d’un algorithme.
Programmes : IA acceptable, certifiable et collaborative
Thèmes : Fair learning, explicabilité
Porteur :
Jean-Michel Loubès, PR UT3, IMT
Chercheurs associés :
Matthieu Serrurier (UT3, IRIT),
Béatrice Laurent (INSA Toulouse, IMT)
Site
https://perso.math.univ-toulouse.fr/loubes/
Porteur de chaire :
Jean-Michel Loubes, (UT3, Institut de Mathématiques de Toulouse-IMT)
Chercheurs associés :
Mathieu Serrurier (UT3, IRIT),
Béatrice Laurent (INSA Toulouse, IMT)
PhD students :
Alberto Gonzalez (with E. Del Barrio, funded by ANITI)
C. Benesse (with F. Gamboa, funded by ENS)
L. De Lara (with L. Risser and N. Asher, funded by Ecole Polytechnique) 4/ W. Todo (with B. Laurent,funded by Liebher in CIFRE)
Chercheurs invités :
Del Barrio Eustasio, University of Valladolid, February 2020
- Europe: COALA
- France: Confiance.ai, DEEL project
- E Del Barrio, P Gordaliza, JM Loubes, A central limit theorem for Lp transportation cost on the real line with application to fairness assessment in machine learning, Information and Inference: A Journal of the IMA 8 (4), 817-849. 2019
- P Gordaliza, E Del Barrio, G Fabrice, JM Loubes, Obtaining fairness using optimal transport theory, International Conference on Machine Learning, 2357-2365, 2019.
- Can Everyday AI be Ethical? Machine Learning Algorithm Fairness P Besse, C Castets-Renard, A Garivier, JM Loubes Machine Learning Algorithm Fairness (May 20, 2018). Statistiques et Société
- M. Serrurier, F. Mamalet, A. González-Sanz, T. Boissin, JM Loubes, Achieving robustness in classification using optimal transport with hinge regularization Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern (2021)
- E Del Barrio, JM Loubes, Central limit theorems for empirical transportation cost in general dimension, The Annals of Probability 47 (2), 926-951 (2019)
- E del Barrio, A González-Sanz, JM Loubes, A Central Limit Theorem for Semidiscrete Wasserstein Distances, arXiv preprint arXiv:2105.11721 (2021)
- E del Barrio, A González-Sanz, JM Loubes, Central Limit Theorems for General Transportation Costs, arXiv preprint arXiv:2102.06379 (2021)
- J Lam-Weil, B Laurent, JM Loubes, Minimax optimal goodness-of-fit testing for densities under a local differential privacy constraint, – Bernoulli, 2021
- L de Lara, A González-Sanz, N Asher, JM Loubes, Counterfactual Models: The Mass Transportation Viewpoint, 2021
- F Bachoc, F Gamboa, M Halford, JM Loubes, L Risser, Entropic Variable Projection for Explainability and Intepretability, arXiv preprint arXiv:1810.07924, 2020.
- C Bénesse, F Gamboa, JM Loubes, T Boissin, Fairness seen as Global Sensitivity Analysis, arXiv preprint arXiv:2103.04613, 2021
En savoir +
Jean-Michel Loubes, le mathématicien qui enseigne aux machines.
Le spécialiste des statistiques appliquées s’intéresse à l’apprentissage automatique. Son crédo : la surveillance des algorithmes, pour une intelligence artificielle éthique.
Jean-Michel Loubes, les algorithmes pourraient rendre la société plus équitable.
French 
English