Margarida Carvalho est spécialiste de la théorie des jeux. Son programme s’appuie sur des approches tirées de la recherche opérationnelle et de l’apprentissage automatique, deux piliers de la science des données.

Malgré la remarquable unité des principaux composants du monde vivant (ADN, ARN, code génétique), nous ne sommes probablement pas encore assez conscient de toute la diversité des structures génomiques existantes, ni de la diversité des modes d'évolution les générant. En plus des substitutions, insertions et délétions ponctuelles, les génomes évoluent par une multitude de mécanismes tels que réarrangements, transferts horizontaux, pertes de gènes, hybridation, duplications simples, segmentales ou même de génomes entiers. Par la comparaison de génomes, il est possible d'inférer des scénarios d'évolution pour des familles de gènes, des clusters ou des génomes entiers, et de prédire les les charactéristiques des génomes ancestraux. En plus de permettre de documenter l'histoire de l'évolution de la vie sur terre, l'inférence d'histoires évolutives permet de répondre à une multitude de questions biologiques concernant la fonction des gènes et les spécificités génétiques des espèces. Chaque problème, chaque type de mutation (ou combinaison de mutations), nécessite une modélisation spécifique et donne lieu à des développements algorithmiques, combinatoires, statistiques, mathématiques différents. C'est à ces problèmes que nous nous consacrons.

Ma recherche se situe à l’intersection de l’apprentissage par renforcement et de la prédiction probabiliste. Je m’intéresse aussi à l’apprentissage profond, à la modélisation générative, à l’apprentissage en ligne et à la théorie de l’information.

• Étude théorique et algorithmique de la programmation à deux niveaux.
• Application à la gestion du revenu dans le transport aérien.
• Modèles d'affectation dans les réseaux de transport urbain et interurbain.
• Étude algorithmique des inéquations variationnelles.

Je m’intéresse aux méthodes de tenseurs pour l’apprentissage automatique et à la conception d’algorithmes d’apprentissage pour les données structurées en utilisant l’algèbre linéaire et multilinéaire (par exemple, les méthodes spectrales).

Mes recherches portent sur les principes computationnels fondamentaux qui sous-tendent l'extraordinaire capacité à apprendre, comprendre et s'adapter à l'environnement qui caractérise l'intelligence. Le développement de nouveaux algorithmes d'apprentissage basés sur de tels principes, et entraînés avec de vastes quantités de données, est à l'origine des plus récentes percées technologiques en intelligence artificielle.

Je m'intéresse plus particulièrement à la manière dont, partant de flux de données sensorielles brutes (telles les images et les sons), peuvent se construire de façon autonome des représentations de haut niveau, porteuses de sens. Un peu comme ce que savent faire les réseaux de neurones du cerveau, cela revient à modéliser intelligemment la structure de la réalité observée, en y découvrant et exploitant des régularités statistiques complexes.