Séance 4 - Patrice Bertail, Directeur de l'unité MODAL'X, UMR 9023 CNRS скачать в хорошем качестве

Séance 4 - Patrice Bertail, Directeur de l'unité MODAL'X, UMR 9023 CNRS

Patrice Bertail, Directeur de l'unité MODAL'X, UMR 9023 CNRS et professeur de Mathématiques (spécialité statistique et probabilité) à l'université Paris Nanterre. Il est actuellement directeur du laboratoire MODAL'X UMR CNRS 9023. Il a enseigné dans de nombreux pays, dont les États-Unis, Hong-Kong, le Bénin, la Côte d'Ivoire, Cuba etc... Ses travaux de recherche portent sur les méthodes de statistiques non-paramétriques et les méthodes de rééchantillonnage, les processus empiriques, les chaînes de Markov et l'apprentissage statistique. Il a également réalisé des travaux plus appliqués sur l'évaluation des risques alimentaires. Ses travaux récents portent surtout sur l'apprentissage statistique et l'IA dans un cadre dépendant et les corrections de biais dans ce cadre. Patrice Bertail, Directeur de l'unité MODAL'X, UMR 9023 CNRS et professeur de Mathématiques (spécialité statistique et probabilité) à l'université Paris Nanterre. Titre de son intervention : Biais en apprentissage statistique : une revue et une approche semi-paramétrique par calibration Résumé: Dans cette présentation, nous passons d'abord en revue quelques types de biais pouvant apparaître fréquemment dans des problèmes d'apprentissage statistique : biais de données, biais de sélection, biais d'endogénéité, biais de modèle dans les cas non-stationnaires, biais cognitifs etc... Ces types de biais sont bien connus dans la littérature statistique et plus encore en économétrie mais pas toujours pris en compte en apprentissage. Ces problèmes de biais posent non seulement des problèmes techniques mais aussi éthiques comme nous le verrons sur quelques exemples. Les techniques de corrections de biais sont souvent inspirées de technique de sondage et reposent sur des pondérations adéquates des individus : Vardi dans les année 80's a même donné des conditions nécessaires et suffisantes pour pouvoir corriger de biais (essentiellement de sélection ou d'endogénéité) en présence d'information transversales et/ou marginales. Nous nous intéressons dans une seconde partie au problème de l'apprentissage par transfert ("Transfert Learning") et montrons comment l'incorporation d'un modèle semi-paramétrique permet de corriger des biais à partir de l'observation de quelques moments : l'idée est très proche de la calibration ou du calage sur marge en sondage, les poids permettant de correctement repondérer les risques. Travail joint avec S. Clémençon (Télécom, Institut Polytechnique), D. Bounie ((Télécom, Institut Polytechnique), Y. Guyonvarch (INRAE), N. Noiry (Owkin), P. Waelbroeck Télécom, Institut Polytechnique).