Suchergebnisse

National audience ; L'utilisation de l'apprentissage par renforcement (AR) pour la résolution de problèmes réalistes se heurte à des questions de passage à l'échelle. La plupart des algorithmes d'AR sont incapables de gérer des problèmes avec des centaines, voire des milliers d'actions, ce qui en limite l'application dans la pratique. Nous considérons le problème d'AR dans le cadre de l'apprentissage supervisé où la politique optimale est obtenue sous la forme d'un classeur multi-classes, l'ensemble des classes correspondant à l'ensemble des actions du problème. Nous introduisons l'utilisation de codes correcteurs d'erreurs (CCE) dans ce contexte et proposons deux nouvelles méthodes pour réduire la complexité de l'apprentissage en utilisant des approches à base de rollouts. La première de ces méthodes consiste à introduire un classeur basé sur des CCE comme classeur multi-classes, ce qui réduit la complexité de l'apprentissage de O(A^2 ) a O(A log(A)). Ensuite, nous proposons une seconde méthode qui met à profit le dictionnaire de codage du CCE pour découper le PDM initial en O(log(A)) PDM à 2 actions. Cette seconde méthode réduit la complexité de l'apprentissage de O(A^2) a O(log(A)) ce qui permet de traiter en des temps très raisonnables des problèmes avec un grand nombre d'actions. Nous terminons avec une démonstration expérimentale de l'intérêt de notre approche.

National audience ; L'utilisation de l'apprentissage par renforcement (AR) pour la résolution de problèmes réalistes se heurte à des questions de passage à l'échelle. La plupart des algorithmes d'AR sont incapables de gérer des problèmes avec des centaines, voire des milliers d'actions, ce qui en limite l'application dans la pratique. Nous considérons le problème d'AR dans le cadre de l'apprentissage supervisé où la politique optimale est obtenue sous la forme d'un classeur multi-classes, l'ensemble des classes correspondant à l'ensemble des actions du problème. Nous introduisons l'utilisation de codes correcteurs d'erreurs (CCE) dans ce contexte et proposons deux nouvelles méthodes pour réduire la complexité de l'apprentissage en utilisant des approches à base de rollouts. La première de ces méthodes consiste à introduire un classeur basé sur des CCE comme classeur multi-classes, ce qui réduit la complexité de l'apprentissage de O(A^2 ) a O(A log(A)). Ensuite, nous proposons une seconde méthode qui met à profit le dictionnaire de codage du CCE pour découper le PDM initial en O(log(A)) PDM à 2 actions. Cette seconde méthode réduit la complexité de l'apprentissage de O(A^2) a O(log(A)) ce qui permet de traiter en des temps très raisonnables des problèmes avec un grand nombre d'actions. Nous terminons avec une démonstration expérimentale de l'intérêt de notre approche.

Cooperation through Projects : the Change in Practices and Mentalities
In the field of international cooperation, projects are supposed to introduce and test the changes in practices which will later be institutionalized to become a local or national policy in a specific sector. But they need to be based on the real shared experience of both countries. They must try to encompass the different aspects of development as well as the changes in attitudes and mentality underlying it.

International audience ; Cet article étudie l'inscription différenciée des femmes et des hommes dans le processus de socialisation politique à l'œuvre au sein de groupes de jeunes militant-e-s, afin d'éclairer l'exclusion des femmes des postes à responsabilités et des positions éligibles dans les partis politiques. La recherche présentée montre d'une part que les normes de genre et la division sexuelle du travail militant façonnent les activités des organisations et l'acquisition de compétences politiques par les militant-e-s .D'autre part, elle met en évidence les conditions dans lesquelles les femmes accèdent aux responsabilités, dans des contextes où les enjeux politiques sont faibles ou lorsque le collectif militant subit des renégociations structurelles.

International audience ; Cet article étudie l'inscription différenciée des femmes et des hommes dans le processus de socialisation politique à l'œuvre au sein de groupes de jeunes militant-e-s, afin d'éclairer l'exclusion des femmes des postes à responsabilités et des positions éligibles dans les partis politiques. La recherche présentée montre d'une part que les normes de genre et la division sexuelle du travail militant façonnent les activités des organisations et l'acquisition de compétences politiques par les militant-e-s .D'autre part, elle met en évidence les conditions dans lesquelles les femmes accèdent aux responsabilités, dans des contextes où les enjeux politiques sont faibles ou lorsque le collectif militant subit des renégociations structurelles.

La sécurité nationale est en pleine mutation pour devenir globale. La compétition interétatique est désormais bousculée avec de nouveaux acteurs et des pratiques différentes. Cela oblige à revoir nos schémas de compréhension pour une gouvernance différente, remettant en cause l'idée de souveraineté.

René Gallissot a rejoint la revue dans le sillage de Jean Pronteau dès les années 1960, avant d'en devenir directeur dans les années 1980. Son témoignage permet de revenir sur l'histoire de la revue qu'il appréhende à partir de sa trajectoire personnelle, marquée par son ancrage personnel et scientifique sur le terrain algérien. Il analyse également le positionnement de la revue dans le champ des sciences sociales, marqué initialement par la recherche d'un marxisme-existentialisme et la distance à l'égard des structuralismes bourdieusiens et foucaldiens.

Preserving the utility of anonymized data is one of the biggest limitationto the research field of Privacy Preserving Machine Learning. On theone hand, people claim a maximum level of privacy to protect their personalinformation from malicious intruders. And on the other hand, researchers,industries and governments demand a higher level of utility in order to developproducts that are interesting and suitable to the specific needs of theircustomers. The research presented in this thesis tackles the privacy-utilitytrade-off by using unsupervised learning approaches. Firstly, the Multi-viewCollaborative Self Organizing Maps as a way to cluster the data locally oneach view of the data set, but collaborate by exchanging information abouttheir findings. Secondly, the 1D Kernel Density Estimation, as a way to improvethe utility of the anonymized data while respecting the distributionof each feature in the dataset. Lasty, a supervised learning layer using theWeighted Learning Vector Quantization is added in order to enhance thelearning of the previously proposed approaches, and give more representativeprototypes to pseudo-anonymize the data. The tests were done on morethan six different datasets, and the results show an improvement in the accuracyof the models compared to the state of the art MDAV algorithm. Theresearch presented give some interesting ways of using machine learning toachieve privacy preservation through multiview microaggregation ; Depuis la mise en vigueur du Règlement Général sur la Protection des Données (RGPD), l'intérêt pour la protection et la sécurité des données a évolué. D'une part, les nombreux accidents de fuite de données. D'une autre part, l'évolution exponentielle des utilisateurs des appareils connectés dans le monde entier, ont fait de l'anonymisation des données une nécessité pour la sécurité des individus y figurant. Depuis les années 2000,plusieurs techniques d'anonymisation des données ont été proposées, certaines relèvent de la cryptographie, d'autres des statistiques et certaines ...

How should an agent act in the face of uncertainty on the evolution of its environment? In this dissertation, we give a Reinforcement Learning perspective on the resolution of nonstationary problems. The question is seen from three different aspects. First, we study the planning vs. re-planning trade-off of tree search algorithms in stationary Markov Decision Processes. We propose a method to lower the computational requirements of such an algorithm while keeping theoretical guarantees on the performance. Secondly, we study the case of environments evolving gradually over time. This hypothesis is expressed through a mathematical framework called Lipschitz Non-Stationary Markov Decision Processes. We derive a risk averse planning algorithm provably converging to the minimax policy in this setting. Thirdly, we consider abrupt temporal evolution in the setting of lifelong Reinforcement Learning. We propose a non-negative transfer method based on the theoretical study of the optimal Q-function's Lipschitz continuity with respect to the task space. The approach allows to accelerate learning in new tasks. Overall, this dissertation proposes answers to the question of solving Non-Stationary Markov Decision Processes under three different settings. ; Comment un agent doit-il agir étant donné que son environnement évolue de manière incertaine ? Dans cette thèse, nous fournissons une réponse à cette question du point de vue de l'apprentissage par renforcement. Le problème est vu sous trois aspects différents. Premièrement, nous étudions le compromis planification vs. re-planification des algorithmes de recherche arborescente dans les Processus Décisionnels Markoviens. Nous proposons une méthode pour réduire la complexité de calcul d'un tel algorithme, tout en conservant des guaranties théoriques sur la performance. Deuxièmement, nous étudions le cas des environnements évoluant graduellement au cours du temps. Cette hypothèse est formulée dans un cadre mathématique appelé Processus de Décision Markoviens Non-Stationnaires Lipschitziens.Dans ce cadre, nous proposons un algorithme de planification robuste aux évolutions possibles, dont nous montrons qu'il converge vers la politique minmax. Troisièmement, nous considérons le cas de l'évolution temporelle abrupte dans le cadre du "lifelong learning" (apprentissage tout au long de la vie). Nous proposons une méthode de transfert non-négatif basée sur l'étude théorique de la continuité de Lipschitz de la Q-fonction optimale par rapport à l'espace des tâches. L'approche permet d'accélérer l'apprentissage dans de nouvelles tâches. Dans l'ensemble, cette dissertation propose des réponses à la question de la résolution des Processus de Décision Markoviens Non-Stationnaires dans trois cadres d'hypothèses.