Page pro
Romain CRAVIC

Mes travaux de recherche étudient deux problématiques distinctes :
1) L'apprentissage boite noire dans les jeux à information complète (Q-learning optimiste)
2) La résolution de jeux à information incomplète (Monte-Carlo CFR)

Publications associées : 

1) Decentralized model-free reinforcement learning in stochastic games with average-reward objectives : ici 

2) Learning discounted Nash equilibrium in imperfect information games using counterfactual regret : en review.

Mon manuscrit de thèse et les slides de ma soutenance viendront plus tard.

Liste des enseignements effectués :

• L1 IMA TD Algèbre linéaire.

• L1 IMA CTD Algorithmique et programmation en Python.

• L1 INF TD Système et environnement de programmation.

• L1 SV CTD Outils fondamentaux de mathématiques pour les sciences de la nature.

• L3 MMA TP Introduction à la modélisation numérique.

• M2 ORCO CM Optimization Under Uncertainty.

• 2022, Polaris-tt : Stochastic games and Nash equilibria (slides)

• 2022, LiPhy non-permanent's seminar : Optimal strategies in random situations (slides)

• 2023, Polaris-tt :  Learning in finite-horizon MDP with UCB (slides)

• 2023, Conference AAMAS : Decentralized Model-free RL for stochastic games with average-reward objective (slides, poster)

• 2024, Séminaire-tutoriel POLARIS : IIEFG, algorithmes CFR et variantes de Monte-Carlo, partie 1 (Slides)

• 2024, Séminaire-tutoriel POLARIS : IIEFG, algorithmes CFR et variantes de Monte-Carlo, partie 2 (Slides)

• Eté 2023 :  j'ai été le co-encadrant d'Abel Douzal, un étudiant de l'ENS Ulm, pour son stage de L3 qui a duré 2 mois. Le stage consistait à comprendre le modèle des jeux stochastiques à observation partielle et les algorithmes existant dans la littérature qui permettent de les résoudre, pour ensuite les appliquer sur un jeu de proie-chasseur. 

• Eté 2024 : J'ai été le co-encadrant de Rafael Mascarenhas-dall-nery un étudiant de L3 info à l'UGA, pour son stage de L3 qui a duré 2 mois. Le but du stage était de comprendre le fonctionnement des algorithmes type MCCFR dans les jeux à information incomplète sous forme extensive et d'appliquer ces algos à une variante de Poker faite maison pour comparer les performences des différentes variantes de l'algorithme. Rafael s'est intéressé également à la combinaison de ces algorithmes avec des réseaux de neurones.