GRARI Vincent
Direction de recherche : Marcin DETYNIECKI
Co-encadrement : LAMPRIER sylvain
Fair machine learning
Ces dernières années, on a assisté à une augmentation spectaculaire de l'intérêt académique et sociétal pour l'apprentissage automatique équitable. En conséquence, des travaux significatifs ont été réalisés pour inclure des contraintes d'équité dans l'objectif d'apprentissage des algorithmes d'apprentissage automatique. Le but principal est de s'assurer que les prédictions des modèles ne dépendent d'aucun attribut sensible comme le sexe ou l'origine d'une personne par exemple. Bien que cette notion d'indépendance soit incontestable dans un contexte général, elle peut théoriquement être définie de manières totalement différentes selon la façon dont on voit l'équité. Cette thèse donne d'une part, une vue d'ensemble des méthodologies appliquées dans ces différentes familles afin d'encourager les bonnes pratiques. Ensuite, nous identifions et complétons les lacunes en présentant de nouvelles métriques et des algorithmes de machine learning équitables.
Soutenance : 22/06/2022
Membres du jury :
Nicolas Usunier, Rapporteur, Facebook
Patrick Loiseau, Rapporteur, Inria
Catuscia Palamidessi, Examinateur, Lix, Inria
Arthur Charpentier, Examinateur, UQAM
Christophe Marsala, Examinateur, LIP6 Sorbonne Université
Sylvain Lamprier, Directeur de thèse, ISIR Sorbonne Université
Marcin Detyniecki, Directeur de thèse, AXA
Publications 2020-2022
-
2022
- V. Grari : “Fair machine learning”, soutenance de thèse, soutenance 22/06/2022, direction de recherche Detyniecki, Marcin, co-encadrement : Lamprier, sylvain (2022)
-
2021
- V. Grari, O. Hajouji, S. Lamprier, M. Detyniecki : “Learning Unbiased Representations via Rényi Minimization”, European Conference on Machine Learning and Knowledge Discovery in Databases - ECML PKDD 2021, vol. 12976, Lecture Notes in Computer Science, Bilbao, Spain, pp. 749-764, (Springer International Publishing) (2021)
-
2020
- V. Grari, S. Lamprier, M. Detyniecki : “Fairness-Aware Neural Rényi Minimization for Continuous Features”, Twenty-Ninth International Joint Conference on Artificial Intelligence and Seventeenth Pacific Rim International Conference on Artificial Intelligence {IJCAI-PRICAI-20}, Yokohama, Japan, pp. 2262-2268, (International Joint Conferences on Artificial Intelligence Organization) (2020)
- V. Grari, B. Ruf, S. Lamprier, M. Detyniecki : “Achieving Fairness with Decision Trees: An Adversarial Approach”, Data Science and Engineering, vol. 5 (2), pp. 99-110, (Springer) (2020)