Tests Adaptatifs et Frugaux – FATE

Lors d'un processus de test, des observations sont rassemblées à propos d'un système inconnu (par exemple un nouveau médicament et un placebo) afin de répondre à une question (par exemple quel traitement est le plus efficace). Un protocole de test est bon s'il permet d'arrêter le test après un nombre faible d'observations tout en trouvant la bonne réponse avec grande probabilité. Dans des applications où on dispose d'un grand nombre d'observations comme la publicité en ligne, des algorithmes (dits algorithmes de bandits) adaptent la manière dont ils rassemblent les observations futures en fonction des informations obtenues précédemment. On peut montrer que ces méthodes s'arrêtent aussi tôt que possible, en particulier plus rapidement que des algorithmes non-adaptatifs. En revanche les garanties théoriques sur le temps d'arrêt de ces méthodes ne sont pas adaptées à des applications dans lesquelles le nombre d'observations disponibles est faible, comme les essais cliniques. Néanmoins les performances expérimentales des algorithmes de bandits dans ce régime sont prometteuses. Le premier objectif de FATE est d'adapter les algorithmes de bandits au régime du faible nombre d'observations et de prouver qu'ils permettent des tests plus rapides que des protocoles moins adaptatifs.

Une autre difficulté des essais cliniques est le temps long entre l'administration d'un médicament et son effet. Attendre le résultat de chaque test avant de décider quel médicament donner au patient suivant (adaptabilité totale) n'est pas faisable. Nous déterminerons le niveau d'adaptabilité nécessaire pour conserver un avantage par rapport aux protocoles non-adaptatifs. Enfin certains tests cliniques ont un objectif double: à la fois trouver le meilleur traitement, mais en même temps soigner le plus grand nombre possible de patients. Les compromis optimaux entre ces deux buts ne sont pas connus et notre troisième objectif est de les déterminer et d'élaborer des algorithmes qui les atteignent.