Analyse de sensibilité et équité algorithmique pour le machine learning et l'intelligence artificielle

Sensitivity analysis and algorithmic fairness for machine learning and artificial intelligence

• Auteur / Autrice : Clément Benesse
• Direction : Fabrice Gamboa, Jean-Michel Loubès
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques et Applications
• Date : Soutenance le 16/12/2022
• Etablissement(s) : Toulouse 3
• Ecole(s) doctorale(s) : École doctorale Mathématiques, informatique et télécommunications (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Institut de mathématiques de Toulouse (2007-....)
• Jury : Président / Présidente : Béatrice Laurent
• Jury : Examinateurs / Examinatrices : Erwan Scornet
• Jury : Rapporteurs / Rapporteuses : Mathilde Mougeot, Sébastien Gambs

Mots clés

Mots clés contrôlés

Compréhension

Algorithmes

Apprentissage automatique

Mots clés libres

Sensibilité

Dépendance

Learning

Fair

Géométrie

Équité

Sensitivity

Dependence

Fair

Machine

Résumé

Au cours des dernières années, le déploiement d'algorithmes utilisant du Machine Learning a explosé. En permanence à la recherche de performances améliorées au prix de toujours plus de données, ces algorithmes ont révolutionné de nombreux domaines. Néanmoins, de plus en plus de problèmes transparaissent lors de l'utilisation de ces modèles. Dans cette thèse, nous nous intéressons à deux écueils particuliers que sont le manque d'explicabilité, ainsi que le défaut d'équité pouvant mener à des discriminations qui peut être présent dans ces algorithmes. Nous montrons comment ces deux sujets sont liés en présentant un cadre probabiliste unificateur permettant de transposer des techniques de l'un des domaines vers l'autre.

In recent years, the use of algorithms coming from the Machine Learning literature has skyrocketed. Always seeking better performances at the price of more and more data, these algorithmes have been a revolution in multiple fields. However, an increasing number of issues rose from the use of such models. In this thesis, we are interested in two particular issues: the lack of explainability and the lack of fairness potentially leading to discriminations that have been exhibited by these algorithmes. We show how this two subjects are deeply linked by presenting a unifiying probabilist framework. Thanks to this, we can transpose techniques from one of these fields to another.