[DATAIA - SCAI] Workshop "Fondements Mathématiques de l'IA" Upcoming

Back to list

  • Address
    SCAI - 4, Place Jussieu - 75005 Paris
  • https://www.dataia.eu/evenements/workshop-fondements-mathematiques-de-lia-1
Timeline
Upcoming
Date
17 Jun 2024
Time
09:00 - 17:30
Location
Paris
Type
Seminar
Categories
Research, Industry, Education
Event is held in
French & English

La journée “Fondements Mathématiques de l’IA”, organisée conjointement par l'Institut DATAIA et SCAI, en association avec les sociétés scientifiques : la Fondation Mathématique Jacques Hadamard (FMJH), la Fondation Sciences Mathématiques de Paris-FSMP, le groupe MALIA de la Société Française de Statistique et la Société Savante Francophone d'Apprentissage Machine (SSFAM) vise à proposer un panorama de quelques directions de recherche prometteuses à l’interface entre l’apprentissage statistique et l’IA.

Cette nouvelle édition sera consacrée aux mathématiques de l'intelligence artificielle explicable, avec un focus sur trois points de vue : la causalité, les valeurs de Shapley et les mécanismes d'attention. La matinée sera consacrée à des exposés pléniers donnés par des chercheurs renommés et spécialistes du sujet. L’après-midi sera l’opportunité pour de jeunes chercheurs de présenter leurs travaux via des posters ou des exposés courts.

Dans le cadre de cette journée, un appel à contribution est lancé, notamment à destination des doctorant(e)s. Les personnes souhaitant présenter leurs travaux (15 minutes + 5 minutes de questions) sont invitées à envoyer, par e-mail, leur proposition (titre et résumé d'une demi-page) à l'adresse maths ia@inria.fr avant le 24 mai 2024.

Pour s'inscire 

9H - 10H | KEYNOTE 1 : JULIE JOSSE (INRIA MONTPELLIER)

Titre : Leveraging causal inference to generalize trial results to diverse population

Résumé : Les essais contrôlés randomisés (ECR) sont essentiels à la médecine factuelle, car ils permettent d'estimer les effets moyens d'un traitement en évitant les facteurs de confusion. Cependant, les limitations des ECR - critères d'éligibilité stricts, manque de praticité dans le monde réel et taille réduite des échantillons - menacent leur généralisation à des populations diverses. Dans cet exposé, je présenterai tout d'abord les méthodes de transportabilité en intégrant des données d'observation non randomisées pour étendre les résultats des essais à d'autres populations, potentiellement confrontées à des changements de distribution. Ensuite, je me concentrerai sur la mesure causale la plus facile à généraliser, qu'elle soit absolue comme la différence de risque ou relative comme le rapport de risque, le rapport des cotes, etc. En particulier, je démontrerai que seule la différence de risque permet de distinguer l'effet du traitement du risque de base, tant au niveau de la population que des strates.

Biographie : Julie Josse est actuellement chercheur senior à Inria et dirige l'équipe commune Inria-Inserm Premedical, dédiée à l'avancement de la médecine de précision grâce à l'intégration de données et aux méthodologies d'apprentissage causal. Auparavant, elle a été professeur de statistiques à l'École polytechnique (IPP) et a mené des recherches en tant que chercheur invité chez Google. Ses recherches portent sur le développement de méthodes de traitement des données manquantes, l'apprentissage automatique causal et la quantification de l'incertitude. Elle a plus de dix ans d'expérience en matière de collaboration avec des cliniciens dans divers domaines. Elle a notamment dirigé le projet Traumatrix, qui vise à déployer des systèmes d'aide à la décision basés sur l'apprentissage automatique dans les ambulances françaises afin d'améliorer les soins prodigués aux patients. En outre, elle contribue activement à la communauté du logiciel statistique R en tant que membre de sa fondation.

 

13H45 - 14H45 | KEYNOTE 2 : DAMIEN GARREAU (UNIVERSITÄT WÜRZBURG)

Titre : Attention Meets Post-hoc Interpretability: A Mathematical Perspective

Résumé : Les architectures basées sur l'attention, en particulier les transformateurs, sont au cœur d'une révolution technologique. Il est intéressant de noter qu'en plus d'aider à obtenir des résultats de pointe dans un large éventail d'applications, le mécanisme d'attention fournit intrinsèquement des informations significatives sur le comportement interne du modèle. Ces informations peuvent-elles être utilisées comme explications ? Le débat fait rage. Dans cet exposé, je présenterai une architecture simple basée sur l'attention et je mettrai en évidence les différences entre les explications post-hoc et les explications basées sur l'attention pour ce modèle.

Preprint

Biographie : Damien Garreau est professeur à l'université Julius-Maximilians (Würzburg). Ses recherches portent sur les aspects théoriques de l'apprentissage automatique, et plus particulièrement sur l'explicabilité. Avant de rejoindre l'université Julius-Maximilians, il a été professeur associé à l'Université Côte d'Azur (Nice) et chercheur postdoctoral à l'Institut Max-Planck pour les systèmes intelligents (Tübingen). Il a soutenu son doctorat à l'université Paris Sciences et Lettres.

 

15H30 - 16H30 | KEYNOTE 3 : LUIS GALÁRRAGA (INRIA RENNES)