Systèmes complexes en sciences sociales

Année 2019/2020

Henri Berestycki (directeur d’études à l’EHESS)
Jean-Pierre Nadal (directeur d’études à l’EHESS et directeur de recherche au CNRS)

Le séminaire « Systèmes complexes en sciences sociales » se tient (sauf mention contraire) tous les 2ème et 4ème vendredis de cette année 2019-2020, à partir du 22 novembre (voir le site de l’Ehess), à 15h00, en salle 11, 105 bd Raspail, 75006 Paris. Entrée libre dans la limite des places disponibles.
Contact : jpnadal@ehess.fr

  • Vendredi 24 janvier 2020, 15h00 salle 11, EHESS, 105 bd Raspail.

    Tiphaine Viard
    LIPN, Université Paris 13 & CNRS
    Quelle place pour les graphes au sein d’une intelligence artificielle transparente et responsable ?
    Résumé : L’intelligence artificielle et l’apprentissage automatique sont communément décrit comme des « boîtes noires », efficaces mais opaques. Bien que parler d’opacité complète soit exagéré, de nombreuses méthodes d’explicabilité reposent sur des formes de rétro-ingénierie : il s’agit d’inférer des informations sur le modèle à partir de ses résultats (partiels, intermédiaires, ou définitifs). Pourtant, la place prégnante de l’intelligence artificielle dans la société font que la transparence et la responsabilité de ces algorithmes ne doit pas être une simple fonctionnalité, mais une nécessité. Les graphes et leurs extensions (temporels, multicouches, attribués…) offrent des formalismes versatiles pour analyser des données relationnelles, même de grande taille. À ce titre, ils ont été utilisés comme outils de modélisation dans de nombreux domaines, incluant la biologie, les sciences humaines et sociales, ou l’informatique. Pourtant, chacune de ces extensions pose de nombreuses questions algorithmiques et liées à la nature des données. Ce sont ces questions, entre autres.
    Dans cet exposé, j’explore précisément la place que peuvent avoir les graphes et leurs extensions pour participer à répondre aux questions informatiques et sociétales soulevées par l’intelligence artificielle et l’apprentissage automatique, à travers deux cas d’étude impliquant les systèmes de recommandation sociaux et la classification automatique de Wikipedia japonaise. J’utilise ces deux cas d’étude pour détailler des perspectives de recherche plus générales concernant l’apport des graphes à l’intelligence artificielle transparente.

  • Vendredi 10 janvier 2020, 15h00 salle 11, EHESS, 105 bd Raspail.

    Alexis Dubreuil
    Group for Neural Theory (GNT), Département d’études cognitives, ENS, Paris
    Mécanique des processus cognitifs
    Résumé : Les capacités cognitives émergent de l’interaction entre neurones organisés en réseaux structurés. Comprendre cette émergence requière d’établir un premier lien entre les variables comportementales et les propriétés dynamiques des réseaux, et un second lien entre ces propriétés dynamiques et la structures des réseaux. Des études théoriques ont permis de mettre en lumière de tels liens, par exemple grâce à l’étude du modèle de Hopfield qui permet de rendre compte de la mémoire associative en proposant des équations du mouvement décrivant la dynamique macroscopique d’un réseau. Une difficulté première dans ce genre d’approche est de réussir à proposer des structures neuronales pertinentes pour l’implémentation d’un processus cognitif donné. Pour surmonter cette difficulté, les outils d’apprentissage machine peuvent être utilisés pour proposer de telles structures. Cependant, les réseaux entrainés avec ces méthodes sont des systèmes dynamiques non-linéaires de haute dimension, souvent qualifiés de boîtes noires. Je présenterai l’approche que nous avons développée avec Srdjan Ostojic et qui permet, pour des réseaux entrainés, d’établir les liens entre variables comportementales, dynamique et structure. Je présenterai ensuite le fonctionnement de réseaux entrainés à résoudre des taches comportementales utilisées dans des expériences de neurosciences pour étudier des processus cognitifs comme la prise de décision, la mémoire de travail ou le focus attentionnel. Ceci me permettra de discuter les rôles joués par la dimensionalité de l’activité neuronale et les classes neuronales dans l’implémentation des processus cognitifs.

  • Vendredi 13 décembre : séance reportée à une date en 2020 à préciser.

    Sylvain MIGNOT
    Université Catholique de Lille
    A qui faire confiance ? Une analyse empirique des réseaux sociaux sur un marché de biens.

    Résumé : Nous considérons le marché aux poissons de Boulogne-sur-Mer, sur lequel vendeurs (pêcheurs) et acheteurs (grossistes, restaurateurs) peuvent choisir entre un marché centralisé (enchères, la criée) et un marché décentralisé (négociation de gré à gré). À première vue la coexistence stable de deux mécanismes d’échange sur un même lieu pour les mêmes biens peut sembler paradoxale.
    A partir de l’exploitation de données sur les transactions, nous proposons une analyse du rôle de la fidélité dans le fonctionnement de ce double marché de Boulogne-sur-Mer. Nous constatons en effet que certains acheteurs sont ‘fidèles’ en ce qu’ils achètent très souvent à un même vendeur, tandis que d’autres au contraire changent souvent de fournisseur.
    Nous proposons de quantifier le degré de fidélité par une mesure fondée sur la dynamique des échanges bilatéraux. Nous pouvons alors analyser l’influence de la fidélité, ainsi que celle des structures des réseaux d’échanges, afin d’estimer leurs impacts sur le marché. Nous montrons que les liens sur le marché d’enchère reflètent les contraintes économiques des acheteurs et des vendeurs, mais que ceux sur le marché bilatéral dépendent également d’autre chose. L’influence de la fidélité sur les prix apparait clairement supérieure sur le marché bilatéral, ce qui permet d’écarter l’hypothèse d’un simple effet de réputation.
    Nos résultats permettent de comprendre les caractéristiques et fonctionnement distincts de chacun de ces deux sous marchés, et d’apporter notre pierre au débat sur l’efficacité des structures de marchés.

  • Vendredi 22 novembre, 15h00 salle 11, EHESS, 105 bd Raspail.

    Geneviève ROBIN
    École des Ponts ParisTech, INRIA, Marne la Vallée
    Analyse de réseaux : Prédiction d’arêtes manquantes dans les réseaux en présence de nœuds intrus.

    Résumé: Les réseaux sont fréquemment utilisés pour représenter des connexions (arêtes) entre différents agents (nœuds). Souvent, ces réseaux sont étudiés à travers des modèles stochastiques, où l’on cherche à estimer la probabilité de connexion entre agents. Cependant, dans de nombreux exemples pratiques, les modèles classiques de graphes aléatoires sont mis en défaut par la présence d’un petit nombre de nœuds, dont le comportement est significativement différent de celui de la majorité des agents : ce sont des nœuds « intrus ». Par exemple, dans les réseaux issus de données de sondage, certains individus sont susceptibles de fournir des réponses erronées, voire d’être payés pour le faire afin de déformer l’opinion publique. De plus, de tels réseaux sont souvent incomplets, c’est-à-dire que l’information sur la présence ou l’absence de certaines arrêtes est manquante. Dans ce travail, nous introduisons un nouvel algorithme pour estimer les probabilités de connexions dans un réseaux, de façon robuste à la fois aux intrus et aux données manquantes. Nous analysons les propriétés statistiques et computationnelles de cet algorithme, et présentons une étude qui montre les bonnes propriétés empiriques de la méthodes, en terme de détection des intrus et de prédiction des nœuds manquants. Enfin, nous illustrons la méthode avec l’analyse d’un réseaux de blogs politiques américains.

    Title: Robust link prediction in network models with outliers

    Abstract: Real-life networks, representing connections (edges) between agents (nodes), are often modelled as noisy versions of more structured networks. In this setting, recovering the “noiseless” version of the graph, i.e. estimating the probabilities of interactions between agents, is a key problem. In numerous examples, classical models are put in default by the behaviour of a small number of individuals, which strongly departs from the behaviour of the majority of agents: outliers. For example, in graphs obtained by survey data, some individuals may provide false answers; other individuals may even be paid to provide erroneous answers in order to distort the public opinion on a subject. In addition, graphs constructed from survey data are likely to be incomplete, due to non-response or drop-out of participants. We introduce a new algorithm for estimating the probabilities of connections in a network, which is robust to both outliers and missing observations. We analyse the statistical and computational properties of this algorithm, and present a simulation study, indicating that the proposed method has good empirical properties in terms of outliers detection and link prediction. Finally, we illustrate the method with the analysis of a network of American political blogs.


Archives :