Identifier la structure des problèmes d’apprentissage en ligne et collaboratif

Identifying structure in online and collaborative learning problems

• Auteur / Autrice : Mahsa Asadi
• Direction : Marc Tommasi, Aurélien Bellet
• Type : Thèse de doctorat
• Discipline(s) : Informatique et applications
• Date : Soutenance le 25/11/2022
• Etablissement(s) : Université de Lille (2022-....)
• Ecole(s) doctorale(s) : Ecole doctorale Mathématiques, sciences du numérique et de leurs interactions (Lille ; 2021-....)
• Partenaire(s) de recherche : Laboratoire : Centre de Recherche en Informatique, Signal et Automatique de Lille - Centre Inria de l'Université de Lille
• Jury : Président / Présidente : Laetitia Jourdan
• Jury : Examinateurs / Examinatrices : Ciara Pike-Burke, Odalric-Ambrym Maillard
• Jury : Rapporteurs / Rapporteuses : Hachem Kadri, Matthieu Geist

Mots clés

Mots clés contrôlés

Réseaux d'ordinateurs

Apprentissage par renforcement (intelligence artificielle)

Mots clés libres

Apprentissage automatique en ligne

Bandit manchot (mathématiques)

Réseaux de graphes

Apprentissage automatique collaboratif

Estimation moyenne

Decentralized learning

Collaborative Learning

Reinforcement Learning

Bandits

Online Learning

Graph

Résumé

De nos jours, il est courant de traiter des problèmes à grande échelle et si nous prenons en compte la structure du problème, cela pourrait nous aider à améliorer les performances d'apprentissage. Dans ce travail, nous avons proposé des approches qui tiennent compte de la structure dans deux contextes: (i) les problèmes d'apprentissage par renforcement basés sur des modèles où nous avons réduit le regret (ii) les problèmes d'estimation de moyenne personnalisée en ligne où nous avons réduit la complexité de l'échantillon pour l'estimation moyenne.

Nowadays it is commonplace to deal with large scale problems and should we take problem structure into account, it could assist us toward improving learning performance. In this work, we have proposed approaches that take into account the structure in two settings: (i) model-based reinforcement learning problems where we have reduced the regret (ii) online personalized mean estimation problems where we have reduced the sample complexity for mean estimation.