Algorithmes équitables via la théorie des jeux et l'apprentissage séquentiel – FairPlay

Les algorithmes d'apprentissage sont de plus en plus utilisés pour optimiser les prises de décisions, mais cela entraine des discriminations inacceptables. L'objectif de ce projet est de proposer un framework innovant pour la construction d'algorithmes d'apprentissage qui respectent des contraintes d'équité. L'originalité de ce framework et le focus principal de ce projet est l'utilisation de la théorie des jeux et de l'apprentissage séquentiel pour prendre en compte les contraintes qui apparaissent en pratique : les aspects décentralisés et stratégiques des décisions et des données et l'absence de connaissance de certains paramètres clefs pour les notions d'équité. Ce framework permettra le développement d'algorithmes d'apprentissage optimaux au sens du regret tout en respectant des contraintes d'équité. Pour montrer la pertinence de cette approche, nous appliquons ce framework dans le contexte des systèmes basés sur les enchères (e.g., la publicité ciblée en ligne) et des problèmes de sélection (e.g., le recrutement).