Thèse IA Causale pour la Décision Séquentielle Apprentissage de Politiques Robustes Sous Contraintes Causales H/F

Doctorat.Gouv.Fr

Établissement : Université Paris-Saclay GS Sciences de l'ingénierie et des systèmes
École doctorale : Interfaces : matériaux, systèmes, usages
Laboratoire de recherche : Mathématiques et Informatique pour la Complexité et les Systèmes - EA 4037
Direction de la thèse : Myriam TAMI ORCID 0000000340737739
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-04-17T23:59:59

Cette thèse s'inscrit dans le cadre du projet ANR JCJC CLearDeep et porte sur l'étude des fondements théoriques de l'intelligence artificielle causale pour la décision séquentielle. Elle vise à mieux comprendre comment les structures causales peuvent être exploitées pour améliorer l'apprentissage de politiques robustes dans des environnements dynamiques modélisés par des processus de décision markoviens.

L'analyse causale, notamment à travers les graphes causaux et le do-calculus, fournit un cadre puissant pour raisonner sur les relations de cause à effet. Toutefois, l'intégration de ces outils dans les problèmes de décision séquentielle soulève encore de nombreuses questions théoriques, en particulier concernant l'identifiabilité des effets causaux, les contraintes structurelles imposées par les graphes causaux latents et les garanties de robustesse des politiques apprises.

L'objectif de la thèse sera d'étudier les interactions entre structures causales et apprentissage par renforcement, en analysant comment la topologie des graphes causaux et la dynamique des actions contraignent l'espace des politiques admissibles. Une attention particulière sera portée aux conditions d'identifiabilité, à la robustesse des politiques face aux incertitudes sur la structure causale et au développement de nouveaux cadres théoriques combinant modèles causaux et décision séquentielle.

Ces travaux, à forte composante mathématique, s'inscrivent à l'interface des probabilités, de l'optimisation et de l'apprentissage statistique. Ils contribueront aux développements théoriques du projet CLearDeep et pourront ouvrir des perspectives vers l'apprentissage causal profond, l'apprentissage par renforcement robuste et la conception de systèmes d'IA plus fiables et interprétables.

Cette thèse s'inscrit dans le cadre du projet ANR JCJC CLearDeep, consacré à l'étude des fondements théoriques de l'intelligence artificielle causale et de son interaction avec les méthodes modernes d'apprentissage automatique. Elle se situe à l'interface de l'inférence causale, de l'apprentissage par renforcement et des mathématiques appliquées.
L'analyse causale, initiée notamment par les travaux fondateurs de Judea Pearl sur les graphes causaux orientés et le do-calculus, constitue aujourd'hui un cadre théorique essentiel pour comprendre les relations de cause à effet dans des systèmes complexes. Si ces approches ont permis des avancées importantes en inférence statistique, de nombreuses questions fondamentales restent ouvertes concernant l'identifiabilité des effets causaux dans des systèmes dynamiques et la robustesse des décisions lorsque la structure causale est partiellement connue.
En parallèle, les processus de décision markoviens (MDP) fournissent un cadre mathématique central pour modéliser les problèmes de décision séquentielle, notamment en apprentissage par renforcement. Toutefois, l'intégration explicite de contraintes causales dans ces modèles reste encore largement à explorer, tant du point de vue théorique que méthodologique.

L'objectif de cette thèse est d'étudier comment l'information causale peut être exploitée pour contraindre l'espace des politiques en décision séquentielle et améliorer leur robustesse et leur interprétabilité.
Plus précisément, les objectifs scientifiques incluent :
* l'étude des conditions d'identifiabilité dans des modèles combinant graphes causaux et processus de décision markoviens ;
* l'analyse du rôle de la topologie des graphes causaux latents dans la structure des politiques d'apprentissage par renforcement ;
* la caractérisation de contraintes causales sur l'espace des politiques admissibles ;
* l'étude de la robustesse des politiques face aux erreurs de spécification du modèle causal ;
* le développement de nouveaux cadres théoriques combinant do-calculus, modèles causaux structuraux et apprentissage par renforcement.
Après une phase de synthèse bibliographique, la thèse visera à identifier les limites des approches existantes et à proposer de nouvelles formulations théoriques permettant de mieux comprendre les interactions entre structure causale, dynamique décisionnelle et garanties de robustesse.