La formation par la recherche

Intitulé de la thèse : Prise de décision dans les systèmes multi-agents : délais, adaptabilité et apprentissage dans les jeux

Les algorithmes multi-agents sont omniprésents dans notre quotidien, orchestrant des interactions complexes à l'échelle mondiale. Des systèmes de recommandation personnalisés sur les réseaux sociaux aux réseaux de capteurs surveillant l'environnement, en passant par les algorithmes de trading automatisés sur les marchés financiers, ces technologies s'appuient sur la collaboration et la compétition entre agents autonomes pour fonctionner efficacement. L'essor de l'intelligence artificielle ne fait qu'amplifier l'importance et la sophistication de ces systèmes multi-agents, les intégrant de plus en plus profondément dans notre tissu social.

La nature distribuée des systèmes multi-agents soulève des défis uniques par rapport aux systèmes à agent unique, notamment en matière de coordination, de compétition et de gestion d'interactions entre des entités aux objectifs divergents. Cette thèse s'attaque à ces défis sous un angle mathématique, en explorant à la fois les scénarios coopératifs et compétitifs. Pour s'adapter à la non-stationnarité inhérente à de nombreux environnements multi-agents, la thèse propose une approche basée sur l'apprentissage en ligne, introduisant de nouveaux algorithmes d'apprentissage par gradient dotés de garanties théoriques solides. Ces algorithmes atteignent généralement "low regret", garantissant des performances proches de l'action optimale à long terme. De plus, la thèse démontre la stabilité des algorithmes dans les contextes compétitifs, prouvant leur convergence vers un équilibre de Nash sous certaines la condition de "stabilité variationnelle".

La thèse s'attaque également à deux défis majeurs rencontrés couramment dans les systèmes multi-agents : les délais dans les scénarios coopératifs et la stochasticité dans les scénarios compétitifs. Les algorithmes proposés sont conçus pour s'adapter aux informations locales disponibles à chaque agent à tout moment, offrant des garanties favorables dans une variété de contextes. Ces facteurs présentent ensemble des défis significatifs tant pour la conception que pour l'analyse des algorithmes, qui sont au cœur de cette thèse.

Mots clés : Intelligence artificielle répartie, théorie des jeux, multi-agent, apprentissage en ligne, apprentissage dans les jeux, délai, adaptabilité, incertitude

École doctorale : ED MSTII - Mathématiques, Sciences et technologies de l'information, Informatique
Laboratoire d’accueil : Laboratoire Jean Kuntzmann (LJK - CNRS, Inria, Grenoble INP-UGA, UGA) 
Direction de thèse : Jérôme MALICK, Panayotis MERTIKOPOULOS et Franck LUTZELER

> Pour connaitre tous les prix de thèse 2024