Alexandre Rio

Dans ce contexte, cette thèse contribue au développement d’algorithmes intégrant ces dimensions éthiques (en particulier la confidentialité et l’équité) sans compromettre la performance dans des problèmes de prise de décision séquentielle, un cadre englobant de nombreux scénarios où des décisions sont prises successivement au cours du temps. Ce sujet est abordé sous le prisme de trois problèmes de prise de décision séquentielle aux multiples applications pratiques.

La thèse aborde d’abord le problème de l’identification du meilleur bras dans des bandits multi-agent, un cadre utilisé pour optimiser des systèmes distribués à grande échelle. Dans ce contexte, nous identifions les communications entre agents comme une vulnérabilité critique en matière de confidentialité. Nous développons donc des méthodes reposant sur des communications privées, sans compromettre les avantages de la collaboration multi-agent.

La deuxième partie de cette thèse porte sur l’apprentissage par renforcement profond sur des données privées. Alors que l’apprentissage par renforcement est de plus en plus utilisé dans des scénarios réels impliquant des données sensibles, le domaine manque encore de solutions privées applicables à grande échelle. Cette thèse vise à répondre à cette problématique en proposant des algorithmes d’apprentissage par renforcement profond dotés de garanties formelles de confidentialité différentielle.

Enfin, la thèse explore l’intégration de l’équité dans la recommandation de paniers d’articles, où les utilisateurs se voient proposer des ensembles d’éléments compatibles et complémentaires, et où l’équité d’exposition est mesurée sur l’ensemble d'une séquence de recommandations. Après avoir formalisé cette tâche complexe, des solutions exactes et heuristiques sont proposées, permettant de concilier efficacement équité et qualité des paniers recommandés.