Heure et date : le 20 mars à 12h30
Lieu : PK-4610 et Zoom
Conférencier : Sébastien Gambs
Titre : Comprendre et adresser le blanchiment éthique en apprentissage machine

Inscriptions : Veuillez vous inscrire en indiquant votre prénom, nom et choix de garniture de pizza préférée à ce lien.
-Si vous prévoyez assister à distance, merci de clocher la première (nouvelle) option « présence à distance. »
-Si vous prévoyez assister en personne, vous pouvez indiquer plus qu’un choix de pizza préférée. Les pizzas seront commandées en fonction de la popularité de chaque garniture.
Merci d’indiquer votre choix d’ici le 20 mars à 9h30.
La pizza sera offerte à partir de 12h00.

Abstract : Le blanchiment éthique fait référence au risque d’un modèle d’apprentissage de type boîte noire qui possède une forte discrimination qui puisse être expliquée par un modèle plus équitable à travers une manipulation de l’explication a posteriori. Dans cette présentation, je montrerais tout d’abord comment ce type d’attaque peut être possible en pratique, avant de discuter pourquoi la généralisation et la transférabilité de cette attaque rend sa détection difficile en pratique. Enfin, je présenterais néanmoins quelques pistes permettant de le prévenir.

Biographie : Sébastien Gambs est titulaire de la chaire de recherche du Canada en analyse respectueuse de la vie privée et éthique des données massives depuis décembre 2017 et professeur au Département d’informatique de l’Université du Québec à Montréal (UQAM) depuis janvier 2016. Précédemment, il avait occupé une Chaire de Recherche sur la Sécurité des Systèmes d’Information conjointe entre l’Université de Rennes 1 et INRIA de septembre 2009 à décembre 2015. Sa thématique de recherche principale est sur la protection de la vie privée dans le monde numérique et il est aussi intéressé à résoudre des questions scientifiques à long terme telles que les tensions existantes entre l’analyse des données massives et le respect de la vie privée ainsi que les problématiques éthiques telles que l’équité, la transparence et l’imputabilité algorithmique soulevées par les systèmes personnalisés.