Description du projet
Concevoir de meilleures plateformes pour les systèmes d’agents d’apprentissage
Le projet se concentrera sur des scénarios dans lesquels plusieurs algorithmes d’apprentissage automatique interagissent sur une plateforme partagée. C’est le cas, par exemple, de nombreuses bourses financières et de plateformes de publicité en ligne. Ces plateformes jouent généralement un rôle passif dans les interactions, en fournissant l’infrastructure partagée mais en maintenant les algorithmes d’apprentissage individuels entièrement décentralisés. Le projet PLA-STEER, financé par le CER, vise à établir les fondements théoriques de nouvelles plateformes susceptibles de jouer un rôle actif dans les interactions entre leurs utilisateurs. En s’appuyant sur l’apprentissage en ligne et la théorie des jeux informatiques, le projet explorera quand et comment ces plateformes peuvent guider les agents d’apprentissage vers des résultats bénéfiques, améliorant ainsi l’équité et la responsabilité dans les processus décisionnels, dans un contexte où l’apprentissage automatique devient de plus en plus répandu.
Objectif
In scenarios like online advertising markets and financial exchanges, autonomous, self-interested learning agents engage in strategic interactions via a shared platform. Platforms typically opt for a passive role, providing the shared infrastructure necessary for the operation of the multi-learner environment, while keeping learning procedures decentralized. Fully centralized systems can potentially yield superior outcomes by optimizing shared objectives like social welfare, but they are seldom chosen.
The goal of this project is to bridge the gap between these two extremes by establishing the theoretical foundations of semi-centralized platforms (SCP). SCPs aim to combine the best attributes of both centralized and decentralized systems, enabling next-generation platforms to operate efficiently at scale with the flexibility of decentralized learning, while also being able to steer learning agents towards desirable objectives. Using tools from online learning and computational game theory, we will develop innovative techniques to determine when and how platforms should actively influence the actions of learning agents. In this endeavor, we will i) develop a better understanding of the learning dynamics of traditional platforms; ii) explore methods to overcome well-known computational challenges that hinder the convergence of multi-learner systems towards shared objectives; and iii) extend fundamental game-theoretic models to realistic settings.
This research will pave the way for practical applications on real-world platforms and address pressing concerns related to fairness and accountability in their outcomes, which are expected to become even more significant as machine-learning algorithms gain wider adoption.
Champ scientifique (EuroSciVoc)
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN.
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN.
- sciences naturellesmathématiquesmathématiques appliquéesthéorie des jeux
- sciences naturellesinformatique et science de l'informationintelligence artificielleapprentissage automatique
Vous devez vous identifier ou vous inscrire pour utiliser cette fonction
Mots‑clés
Programme(s)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Thème(s)
Régime de financement
HORIZON-ERC - HORIZON ERC GrantsInstitution d’accueil
20136 Milano
Italie