Projet IDEM : une action exploratoire qui étudie l'impact de l'information sur la prise de décisions

L'action exploratoire IDEM ("information et prise de décision") vise à développer des modèles mathématiques permettant de prédire le comportement d'agents autonomes interagissant dans le cadre d'une prise de décision décentralisée.

Ces modèles permettent d'analyser les problèmes d'apprentissage automatique soumis à des contraintes d'information locale. Dans cette mesure, l'action exploratoire IDEM se concentre sur l'identification des limites fondamentales des mesures de performance clés. Les limites fondamentales, comme les lois de la physique, sont les limites que le progrès technologique ne peut pas dépasser. Ces limites constituent donc un point de référence auquel les nouvelles idées, les nouveaux développements et les nouveaux algorithmes doivent être comparés pour déterminer leur optimalité. Par exemple, dans le contexte de l'apprentissage supervisé, une mesure de performance pertinente est l'erreur de généralisation, qui évalue la capacité d'une machine à gérer une situation pour laquelle elle n'a pas été formée.

En modélisant ces limites fondamentales, il sera possible, par exemple, de déterminer la quantité minimale de données requise par un système d'apprentissage automatique pour traiter avec succès des événements inattendus ou rares.

L'action IDEM mène des recherches fondamentales en mathématiques appliquées à l'intersection de la théorie de l'information et de la théorie des jeux.

L'utilisation conjointe de ces théories permet de modéliser quantitativement des agents qui possèdent différentes quantités d'information. Il est intéressant de noter que la notion d'information au sens de Shannon est rarement prise en compte dans les formulations classiques des jeux. Les subtilités des canaux physiques par lesquels l'information est envoyée ne le sont pas non plus, par exemple, le bruit, les interférences, etc. Ces nouvelles considérations paramétrisent la plupart des concepts de la théorie des jeux, fournissant de nouveaux éléments pour l'analyse de la prise de décision décentralisée. Ces résultats théoriques ont des applications immédiates dans le contexte de l'apprentissage fédéré, en particulier sur les politiques pratiques avec lesquelles les machines d'apprentissage distribuées doivent révéler ou cacher des informations à leurs pairs afin d'améliorer les métriques globales, par exemple, les erreurs de généralisation moyennes.

Dans ce contexte, l'objectif à long terme est de traverser les frontières traditionnelles entre les domaines de la théorie de l'information, des sciences des données et de la théorie des jeux.

La nature exploratoire de l'IDEM réside dans le fait qu'il rassemble des outils issus de la théorie de l'information, des sciences des données et de la théorie des jeux pour étudier l'impact de l'information sur la prise de décision décentralisée.

Il existe des travaux préliminaires impliquant ces théories, mais la prise en compte simultanée des théories des jeux et de l'information pour étudier les modèles de prise de décision est pour l'instant un territoire largement inexploré.

Cette action exploratoire est développée dans le cadre de la coopération existant de l'équipe Neo avec des chercheurs de l'Université de Sheffield, de l'Université nationale Chiao Tung à Taiwan et de l'Université de Princeton.