France-Berkeley Fund : 2 enseignants-chercheurs lauréats de l'appel à projets

Créé en 1993 par le Ministère français des Affaires étrangères et du Développement international et l'Université de Californie (UC) à Berkeley, le fonds France-Berkeley (FBF) vise à favoriser les échanges et les collaborations scientifiques et universitaires entre l'UC et les instituts de recherche et d’enseignement supérieur français.

Par le biais de son concours annuel de subventions, le FBF fournit des fonds d'amorçage pour des collaborations binationales innovantes, pour un financement maximum à hauteur de 12 000 USD par an et par projet.

Dans le cadre du programme 2023-2024, deux sujets de recherche portés par des chercheurs du CREST sont lauréats de la bourse. Félicitations à Jaouad Mourtada (ENSAE-CREST) et Matias Nunez (CREST, chargé de recherche au CNRS) !

Vers des garanties locales, non paramétriques et efficaces pour l'agrégation et l'apprentissage statistique

Un projet développé par Jaouad Mourtada (ENSAE-CREST, enseignant-chercheur animant les cours Statistical learning theory et Théorie des probabilités) et son homologue Nikita Zhivotovskiy, Assistant Professor in Statistics à UC Berkeley.

Description :

La théorie de l'apprentissage statistique s'intéresse à l'analyse des procédures d'apprentissage fondées sur des données. L'objectif général est de comprendre quelles garanties sur la précision de la prédiction peuvent être obtenues, dans quelles conditions et par quelles procédures. Elle peut contribuer à la conception de méthodes solides et robustes, capables de résister à la corruption des données ou de s'écarter d'un modèle idéal, sans sacrifier la précision ou l'efficacité dans des situations plus favorables. En particulier, le problème de l'agrégation peut être formulé comme suit : étant donné une classe de prédicteurs et un échantillon, former un nouveau prédicteur dont on puisse garantir une précision proche de celle du meilleur prédicteur de la classe, à une erreur près, qui doit être aussi petite que possible.

Ce problème peut être posé dans plusieurs contextes et a été étudié sous différents angles en statistique et en informatique. Bien que le sujet soit classique, il a connu un regain d'intérêt grâce (par exemple) à l'orientation récente de l'apprentissage statistique robuste, qui soulève la question des conditions les plus générales dans lesquelles une bonne précision peut être obtenue. Malgré d'importants progrès, plusieurs questions importantes et fondamentales sont restées sans réponse dans la littérature, que nous nous proposons d'étudier.

Décentraliser les divorces

Un projet développé par Matias Nunez (CREST, chargé de recherche au CNRS) et son homologue Federico Echenique, professeur de sciences économiques et sociales à UC Berkeley.

Résumé :

Ce projet se concentre sur le développement d'applications pratiques du "mechanism design", une branche de l'économie qui s'intéresse au développement d'institutions qui fonctionnent bien et qui garantissent des résultats efficaces et équitables. Nous nous concentrerons plus particulièrement sur les contextes juridiques dans lesquels deux personnes doivent parvenir à un accord alors que leurs préférences ne sont pas alignées. Il s'agit par exemple de la dissolution de partenariats, de la répartition des droits et des devoirs entre des agents en conflit et des divorces. Alors qu'un juge, des experts juridiques et de longues procédures de négociation sont souvent nécessaires dans la pratique, nous prévoyons de développer des outils économiques pour évaluer les compromis raisonnables, en réduisant à la fois les coûts et les délais.