Etudiant de Master en Data Science à l'Ecole Polytechnique Fédérale de Lausanne (EPFL)
Etudiant en deuxième année de Master de Data Science. Particulièrement intéressé par la théorie des jeux, les probabilités, les méthodes numériques, l'intelligence artificielle et les sujets apparentés.
Nous abordons le problème de l'optimisation décentralisée d'un objectif global en combinant la conception de mécanismes et l'optimisation bayésienne préférentielle.
La conception d'utilités dans les jeux de manière à maximiser des objectifs communs est un problème central dans de nombreuses applications. Nous étudions comment cela peut être fait lorsque l'objectif commun n'est accessible que par le biais d'un retour de préférences fourni par une autorité centrale. En particulier, nous présentons SDO-PBO, un nouvel algorithme que nous analysons pour le cas des fonctions sous-modulaires, que l'on trouve en pratique dans les jeux d'allocation ou de congestion. Nous ouvrons la voie à sa mise en œuvre pour le refroidissement des serveurs de calcul ou l'optimisation des systèmes de partage de vélos, avant de discuter plus en détail des limites de notre travail et des orientations potentielles de la recherche future.
Lire la suite
Nous avons étudié les moyens de planifier et de suivre une trajectoire optimale pour de la conduite hors route.
Ce document résume notre projet sur de la conduite autonome hors route à partir de cartes de coûts de données réelles. Sur la base des données collectées par le AirLab de l'Université Carnegie Mellon, nous avons pu concevoir un planificateur de trajectoire en utilisant l'algorithme RRT# et déterminer les contrôles optimaux pour suivre cette trajectoire. Nous expérimentons les algorithmes iLQR et MPPI pour suivre la trajectoire de référence en utilisant le modèle du vélo comme simplification des dynamiques du système.
Lire la suite
De nombreuses applications font appel à des clients en réseau dotés de capacités de calcul hétérogènes. Dans cette étude de reproductibilité, notre objectif est d'implémenter et d'étudier l'algorithme principal du papier de recherche FedHybrid.
L'apprentissage fédéré est un domaine de recherche en vogue dans lequel nous répartissons l'apprentissage entre plusieurs appareils possédant leurs propres ensembles de données locales. Il s'agit d'une solution prometteuse pour résoudre les problèmes de sécurité des données et de respect de la vie privée. Lorsqu'ils communiquent, les clients impliqués dans l'apprentissage ne partagent pas explicitement les informations relatives à leur ensemble de données, mais plutôt le résultat de leurs mises à jour locales sur des paramètres. En regroupant toutes les mises à jour, un serveur central serait en mesure de dériver des paramètres de consensus global.
Lire la suite
Ce travail effectué avec Ambroise Grandjean et avec la supervision de certains professeurs nous a permis de donner une réponse à la problématique suivante : les ordinateurs quantiques remettent-ils en cause les systèmes de cryptage actuels ?
Voici une retranscription de la conclusion à laquelle nous sommes parvenus :
Lire la suite