Chercheur postdoctoral · Montréal
J’étudie comment rendre les modèles d’apprentissage automatique plus transparents et responsables — ainsi que ce qu’ils peuvent révéler sur les données ayant servi à les entraîner. Mes travaux relient l’optimisation combinatoire à la robustesse, à la confidentialité, à l’équité et à l’explicabilité.
Actuellement à Polytechnique Montréal(s’ouvre dans un nouvel onglet), au Département de mathématiques et de génie industriel et au sein de la Chaire SCALE-AI sur les chaînes d’approvisionnement pilotées par les données, avec Thibaut Vidal.
NeurIPS 2025Article Spotlight
ICML 2024Présentation orale
Québec ScienceTop 10 des découvertes de 2024
01 / À PROPOS
Je suis chercheur postdoctoral au Département de mathématiques et de génie industriel de Polytechnique Montréal, au sein de la Chaire SCALE-AI sur les chaînes d’approvisionnement pilotées par les données. Je travaille avec Thibaut Vidal sur l’apprentissage automatique de confiance et l’optimisation.
J’ai obtenu mon doctorat en 2023 au LAAS-CNRS / Université Toulouse III – Paul Sabatier, où j’ai étudié les interactions entre l’interprétabilité, l’équité et la confidentialité en apprentissage automatique à l’aide de l’optimisation combinatoire et de la recherche opérationnelle.
Mes recherches portent sur l’apprentissage automatique de confiance, en particulier sur la certifiabilité, l’interprétabilité, l’explicabilité, l’équité, la robustesse, la confidentialité et les interactions entre ces objectifs. Mes travaux s’appuient principalement sur l’optimisation combinatoire, notamment la programmation mathématique, afin de développer des méthodes assorties de garanties rigoureuses d’optimalité ou de satisfaction des contraintes.
02 / RECHERCHE
L’optimisation combinatoire offre des outils puissants et flexibles pour modéliser et étudier conjointement de nombreux objectifs de l’apprentissage automatique de confiance. Elle permet ainsi des caractérisations approfondies, assorties de garanties rigoureuses d’optimalité et de satisfaction des contraintes.
Que peuvent révéler un modèle entraîné — ou l’explication d’une de ses décisions — sur ses données d’entraînement ? Je développe des attaques de reconstruction et étudie des mécanismes de défense pour les modèles structurés.
Comment identifier des changements pertinents qui modifient la prédiction d’un modèle ? J’étudie des méthodes exactes et efficaces pour produire des explications contrefactuelles dans les ensembles d’arbres.
Comment la précision, l’équité, la transparence et la parcimonie interagissent-elles ? Je conçois des méthodes d’apprentissage équitables et interprétables et caractérise, avec des garanties, l’espace des bons modèles pour plusieurs classes d’hypothèses.
Comment exploiter conjointement la puissance prédictive d’une boîte noire et la transparence d’un modèle simple ? Mes recherches étudient des méthodes fondées sur l’optimisation pour apprendre de tels modèles et caractériser les nouveaux défis qu’ils soulèvent.
Comment compresser un modèle existant sans modifier sa fonction de prédiction ? Mes travaux utilisent des méthodes de génération de colonnes et de contraintes spécifiquement conçues pour compresser des ensembles d’arbres tout en préservant leurs frontières de décision avec des garanties.
Comment s’assurer qu’un modèle entraîné restera performant en dehors de la distribution de ses données d’entraînement ? J’utilise des outils d’optimisation distributionnellement robuste, fondés sur l’optimisation combinatoire, afin d’établir des garanties pire-cas rigoureuses.
Améliorer l’un des objectifs de l’apprentissage automatique de confiance est susceptible d’en affecter d’autres : seule une prise en compte conjointe de toutes les propriétés souhaitables peut rendre l’apprentissage automatique véritablement digne de confiance.
03 / PUBLICATIONS
ICML · Présentation orale · 10 découvertes de l’année 2024 par Québec Science
Transactions on Machine Learning Research
Par souci d’exhaustivité, les travaux sélectionnés ci-dessus figurent également dans la liste ci-dessous.
04 / CODE OUVERT
Tout le code développé dans le cadre de mes recherches est rendu public. En voici quelques exemples :
Une bibliothèque d’explications contrefactuelles pour les ensembles d’arbres, à laquelle j’ai contribué par une restructuration du code et de nouvelles méthodes.
github.com/vidalt/OCEAN AUDIT DE CONFIDENTIALITÉUne attaque par reconstruction de données ciblant les données d’entraînement des forêts aléatoires.
github.com/vidalt/DRAFT APPRENTISSAGE ÉQUITABLEApprendre des listes de règles compactes et interprétables tout en tenant compte de contraintes d’équité statistique.
github.com/ferryjul/fairCORELS INTERPRÉTABILITÉEntraîner des modèles hybrides combinant une composante interprétable et un modèle boîte noire.
github.com/ferryjul/HybridCORELS ENSEMBLES DE RASHOMONCaractériser précisément, pour plusieurs classes d’hypothèses, les compromis réalisables entre précision, équité et interprétabilité.
github.com/vidalt/Rashomon-Explorer PROTECTION DE LA VIE PRIVÉEÉtudier l’efficacité d’un mécanisme de confidentialité différentielle pour prévenir les attaques de reconstruction des données d’entraînement contre les forêts aléatoires.
github.com/vidalt/DRAFT-DP EXPLICATIONS & CONFIDENTIALITÉExploiter les explications contrefactuelles d’ensembles d’arbres pour reconstruire, avec des garanties, le modèle sous-jacent à partir d’un accès à son API boîte noire.
github.com/vidalt/Tree-ExtractorDavantage de projets sur mon profil GitHub ↗
05 / FORMATION & ENSEIGNEMENT Polytechnique Montréal · Chaire SCALE-AI sur les chaînes d’approvisionnement pilotées par les données LAAS-CNRS · Université Toulouse III – Paul Sabatier Thales Alenia Space · Atténuation des biais dans les réseaux de neurones convolutifs INSA Toulouse · Systèmes distribués et Big Data · Major de promotion The University of Texas at Austin · University Honors, automne 2017 J’ai enseigné l’algorithmique, la complexité, les structures de données, la théorie des graphes, la programmation, l’apprentissage automatique supervisé et non supervisé, ainsi que des sujets connexes à l’INSA Toulouse (196 heures au total). J’ai également donné des cours invités sur la confidentialité et la sécurité de l’IA à l’UQAM (3 heures) et à l’INSA Toulouse (1 heure). La liste complète de mes enseignements figure dans mon CV. J’ai coencadré 8 étudiants de master et je coencadre actuellement 2 doctorants sur les modèles interprétables, les explications contrefactuelles et les attaques contre la confidentialité. J’ai évalué des articles pour des revues telles que JMLR, TMLR, TKDE et Neural Networks, ainsi que pour des conférences telles que ICML, NeurIPS ("Top Reviewer" en 2026), AAAI, IJCAI, FAccT, SaTML, ECAI, ECML-PKDD, CP et CPAIOR. 06 / CONTACT Pour toute collaboration, invitation à intervenir ou question sur mes travaux, écrivez-moi par courriel.Au-delà des articles.
Parcours & formation
Chercheur postdoctoral
Superviseur : Thibaut VidalDoctorat en informatique & télécommunications
Directeurs : Marie-José Huguet, Sébastien Gambs et Mohamed SialaStagiaire en apprentissage automatiqueDiplôme d’ingénieurSemestre d’études à l’étrangerEnseignement & encadrement
Service à la communauté scientifique
Échangeons.
