En apprentissage statistique, la distribution des données peut changer entre l’entraînement et l'utilisation du modèle à cause de biais ou de changements de distribution. Un remède à cet obstacle est d'entraîner un modèle sur la pire distribution proche des données (au sens de la distance de Wasserstein). Ce problème étant souvent intractable, nous montrons d'abord comment le régulariser afin de mettre en œuvre des méthodes numériques, tout en contrôlant cette approximation. Enfin, nous nous intéresserons également aux garanties statistiques de ce genre de modèles.
En collaboration avec Waïss Azizian et Jérôme Malick.