Description

Ce projet vise à établir la théorie et à concevoir des algorithmes de décision intégrant des prédictions d'IA aux algorithmes classiques. L'objectif est de les rendre plus performants quand les prédictions sont exactes, tout en garantissant leur fiabilité quand elles sont erronées. Plutôt que de justifier cela par les limites des systèmes d'IA de bout en bout, nous nous concentrons sur les aspects pratiques de cette intégration et sur l'évaluation de sa réussite.

Dans cette perspective, l'objectif est de développer et d'analyser l'apprentissage en exploitant les structures stochastiques de ce cadre, comme l'ont montré les premiers travaux du domaine.

Compétences requises

Inégalités de Prophètes

Bibliographie

[VP1] Ziyad Benomar, Lorenzo Croissant, Vianney Perchet, and Spyros Angelopoulos. Pareto-optimality, smooth-
ness, and stochasticity in learning-augmented one-max-search. In ICML 2025-42nd International Conference
on Machine Learning, 2025.
[VP2] Ziyad Benomar and Vianney Perchet. On tradeoffs in learning-augmented algorithms. arXiv preprint
arXiv:2501.12770, 2025.
[VP3] Nadav Merlis, Hugo Richard, Flore Sentenac, Corentin Odic, Mathieu Molina, and Vianney Perchet. On
preemption and learning in stochastic scheduling. In International Conference on Machine Learning, pages
24478–24516. PMLR, 2023.
[VP4] Nathan Noiry, Vianney Perchet, and Flore Sentenac. Online matching in sparse random graphs: Non-
asymptotic performances of greedy algorithm. Advances in Neural Information Processing Systems,
34:21400–21412, 2021.
[VP5] Flore Sentenac, Nathan Noiry, Matthieu Lerasle, Laurent M´ enard, and Vian

Mots clés

Apprentissage, inégalités de prophètes