L'IA face aux grands problèmes du monde · Informatique théorique · arXiv · 2026-10-22
Apprentissage par renforcement pour le contrôle global-local des réseaux dynamiques avec applications au risque systémique
Titre original: Reinforcement Learning for Global-Local Control of Dynamic Networks with Applications to Systemic Risk
Les auteurs proposent un cadre d'apprentissage par renforcement pour des problèmes de contrôle sur des réseaux dynamiques, où les décisions combinent des actions globales au niveau du graphe et des actions locales au niveau des nœuds. Un réseau de neurones à passage de messages doté de têtes de politique globales et locales distinctes produit des politiques satisfaisant les symétries de permutation et les contraintes de transparence, et des bornes de Lipschitz explicites apportent des garanties de convergence pour un algorithme de gradient de politique projeté. Appliquée à la gestion du risque systémique dans les réseaux financiers, où un régulateur répartit des interventions de capital entre les institutions, l'architecture surpasse les références feedforward standard et passe à l'échelle sur de grands réseaux.