Confidentialité et équité algorithmique

Responsables : Christophe Denis et Rafael Pinot

Objectif : L’objectif de ce cours est de sensibiliser les étudiant⋅e⋅s aux enjeux de confiance liés à l’utilisation des algorithmes d’apprentissage automatique. Les défis liés à la confiance dans l’apprentissage automatique sont nombreux et concernent aussi bien le milieu de la recherche que le monde de l’entreprise (notamment en raison de la nouvelle réglementation européenne entrée en vigueur en 2018). Le cours est divisé en deux parties, chacune abordant une thématique liée à l’apprentissage automatique de confiance. La première partie se concentre sur les questions relatives à la protection des données personnelles. La seconde partie fournit des outils de compréhension des problématiques de biais et d’équité algorithmique.

Prérequis : Notions fondamentales de probabilités et statistique. Notions élémentaires d’apprentissage statistique et d’optimisation.

Thèmes abordés :

  • Confidentialité dans analyse statistique des bases de données (k-anonymat, confidentialité différentielle, etc)
  • Apprentissage supervisé sous contrainte de confidentialité différentielle
  • Équité algorithmique en apprentissage statistique (parité statistique, parité statistique conditionnelle, etc)
  • Méthodes in-processing et post-processing pour l’équité algorithmique

Ressources : Moodle