Le blog est mort, longue vie au blog

Il y a un peu plus de trois ans, Mark Carrigan s’interrogeait dans son post “are personal academic blogs a thing of the past?“,

For a long time I imagined that a research blog might even become as ubiquitous as a notebook, an indispensable tool of the trade through which, as C Wright Mills put it, researchers in the humanities and social sciences might keep their file’. However, from the vantage point of 2022 it is clear this is no closer to happening than it was when the idea first occurred to me. In fact, personal academic blogs seem to be in decline. Some of the reasons for this are obvious. It’s perceived as a time consuming activity (correctly, if you expect to attract an audience), which makes it undesirable within an academy defined by chronic rushing. There’s an understandable fear that sharing so openly might facilitate the stealing of ideas and leave one open to personal abuse. The manner in which social media has consumed online attention also means that it’s become harder to build an audience through blogging alone.

Éclipsés par les réseaux sociaux, par les podcasts, par les infolettres, ils paraissent appartenir à une époque révolue. Alors, par pur esprit de contradiction, je me suis dit que c’était le moment idéal pour relancer le mien.

Ces dernières années, ce blog s’était peu à peu réduit à un rôle d’autopromotion : partager une présentation de conférence, annoncer un papier, déposer un support de cours. Bref, il survivait, mais il avait perdu son esprit originel de “carnet de recherche”, espace de réflexion, de tâtonnement, de notes un peu personnelles et un peu brouillonnes.

Il faut bien avouer que le manque de temps, et parfois de motivation, ont eu raison de l’écriture régulière. Mais cette année, profitant d’un congé sabbatique loin de tout (de la France et du Canada), j’ai décidé de redonner un peu de souffle à ce blog. Retrouver le temps de lire, d’annoter, de prendre des notes, et de les transformer en billets — même courts.

Je me donne un objectif modeste : publier un billet par semaine, ne serait-ce que sous la forme de notes de lecture un peu structurées. L’idée n’est pas de forcer la publication, mais de réapprendre à écrire avec régularité, de retrouver une certaine discipline, et surtout le plaisir de partager. Sans doute aussi, par nostalgie, renouer avec ce que j’aimais tant il y a dix ans : prendre le temps de lancer une idée, de la développer un minimum… plutôt que de la condenser en une poignée de tweets.

Alors, le blog est mort… vive le blog !

Cartographie des risques, les routes de l’enfer sont pavées de bonnes intentions

Je ne cesse de penser à l’expression « les routes de l’enfer sont pavées de bonnes intentions » quand on regarde ce qui s’est passé en Oregon, avec la création et le retrait précipité de la carte des risques d’incendie. L’intention initiale était indiscutablement louable: alerter et protéger les citoyens en identifiant les zones à haut risque. Pourtant, la mise en œuvre et les réactions qu’elle a provoquées ont vite montré les limites, jusque-là inattendues, de ce type d’approche. Et elle mériterait d’être davantage étudiée par les régulateurs et décideurs politiques qui veulent s’inspirer de cette idée (et ils sont nombreux).

Une initiative ambitieuse face à une réalité brûlante

Après une saison des incendies particulièrement dévastatrice en 2020, le législateur de l’Oregon vote une loi (la Senate Bill 762) pour cartographier le risque incendie par parcelle afin d’informer l’application de codes de construction plus résistants au feu dans les zones à haut danger, comme le racontait Rob Davis dans un article publié parProPublica au début du mois. En théorie, une démarche préventive : mieux identifier les zones vulnérables, adapter les normes, et ainsi réduire les dégâts futurs. Mais malgré la bonne intention, l’accueil fut brutal.

Le retour de bâton des habitants

La publication de la carte suscite une levée de boucliers immédiate : accusations de manque de transparence dans le processus de conception, crainte d’une flambée des primes d’assurance, inquiétudes face aux contraintes pesant sur les propriétaires, en particulier dans les zones rurales (comme le racontent des articles parus dans E&E News, et Oregon Capital Chronicle). Rapidement, la carte est retirée, puis les législateurs révoquent les règles associées imposant des codes de construction plus stricts (Claire Rush dans un article publié par AP News).

Ironie du sort : un outil visant à renforcer la résilience des communautés a fini par accentuer la défiance, affaiblissant l’intention initiale. Même si les assureurs n’avaient pas le droit légal (depuis 2023) d’utiliser cette carte pour fixer les tarifs, comme le rappelle le Division of Financial Regulation de l’Oregon, la perception publique contrait l’action politique.

Quand le risque visible devient un catalyseur de désinformation

Ce cas illustre aussi comment l’information, même bien intentionnée, peut être déformée dans son cheminement public. Comme le soulignent des études sur la diffusion des risques, les messages se raccourcissent, se désinforment et s’adaptent à des croyances préexistantes, amplifiant parfois de façon perverse la peur ou l’opposition. Anna Phillips , John Muyskens , Naema Ahmed et Brady Dennis reviennent sur le cas de la Californie dans un article publié par The Washington Post.

D’un outil informatif à un outil mal reçu

Dans l’absolu, les cartes des risques sont utiles. À condition d’être conçues avec clarté, accompagnées d’une communication transparente et d’un suivi concret. Une recherche récente de Annie Preston et Kwan-Liu Ma (Communicating Uncertainty and Risk in Air Quality Maps) montre qu’en incluant l’incertitude dans les visualisations cartographiques, les utilisateurs prennent des décisions plus prudentes. Cela suggère qu’un affichage clair et nuancé (plutôt qu’une classification trop catégorique) aide à construire la confiance et à susciter l’action.

De plus, un rapport de 2023 (publié par Headwaters Economics) identifie les codes de construction résistants au feu et la gestion de l’environnement bâti comme les stratégies les plus efficaces, bien que largement sous-financées . Une carte seule ne suffit pas : elle doit être adossée à des mesures concrètes, des ressources, et une implication locale.

Conclusion

Les routes de l’enfer sont souvent pavées de bonnes intentions. En Oregon, un projet de carte des risques d’incendie, né de la volonté de mieux protéger les citoyens, a fini par soulever méfiance et rejet. Une leçon à retenir ? Un bon outil n’est efficace que s’il combine transparence, participation locale, communication claire et mesures concrètes. Sans cela, il peut produire l’effet inverse — augmenter la confusion, attiser l’opposition, et compromettre la sécurité à long terme.

À la fin, qui prendra en charge le coût des assurances ?

Des mutuelles ouvrières du XIXe siècle, créées pour amortir les coups du destin industriel, aux logiques actionnariales des géants financiers contemporains, l’assurance a toujours reflété les grands risques de son époque.

Désormais sous la pression d’événements climatiques à la fréquence et à la sévérité inédites, le secteur affronte une équation nouvelle : comment rester solvable et socialement légitime lorsque la sinistralité croît plus vite que les primes ? Entre flambée des tarifs, exclusions de garanties et menace d’inassurabilité de territoires entiers, la solidarité assurantielle doit se réinventer, faute de quoi, c’est la société tout entière qui sera appelée à combler le vide.

The Conversation (France) a publié un court article, écrit avec Laurence Barry… la suite en ligne.

 

The Conversation

L’impossible droit à l’erreur, l’impossible droit à l’oubli ?

« L’information publique est comme du dentifrice ; une fois sortie du tube, impossible de la faire rentrer » (Doyle, 2010). À l’ère des mégadonnées, chaque action laisse une trace qui s’agrège aux autres pour bâtir des profils de risque, des scores de crédit ou des prédictions médicales. Pourtant, la sagesse japonaise nous dit qu’« on tombe sept fois, on se relève huit » (七転び八起き), rappelant qu’on apprend de ses erreurs. Mais ceci n’est possible que si ces dernières ne définissent pas irréversiblement l’individu.

Continue reading L’impossible droit à l’erreur, l’impossible droit à l’oubli ?

Global Mathematics Lecture IV, Kyoto University

this Fall I will give the “Global Mathematics Lecture IV” at Kyoto University, a series open to all graduate students across the university (not limited to mathematics). My talk will focus on “algorithmic discrimination in predictive models”, based on Insurance, Biases, Discrimination and Fairness (published last year), with a particular emphasis on applications in insurance, a topic especially relevant for students in the actuarial/insurance track of the MSc program in the Department of Mathematics. Looking forward to engaging discussions with the students!

Disentangled Deep Smoothed Bootstrap for Fair Imbalanced Regression

Our paper, “Disentangled Deep Smoothed Bootstrap for Fair Imbalanced Regression” is now available on ArXiv

Imbalanced distribution learning is a common and significant challenge in predictive modeling, often reducing the performance of standard algorithms. Although various approaches address this issue, most are tailored to classification problems, with a limited focus on regression. This paper introduces a novel method to improve learning on tabular data within the Imbalanced Regression (IR) framework, which is a critical problem. We propose using Variational Autoencoders (VAEs) to model and define a latent representation of data distributions. However, VAEs can be inefficient with imbalanced data like other standard approaches. To address this, we develop an innovative data generation method that combines a disentangled VAE with a Smoothed Bootstrap applied in the latent space. We evaluate the efficiency of this method through numerical comparisons with competitors on benchmark datasets for IR.

IJCAI 2025

After Maroune’s presentation this week-end,

Agathe was presenting twice at IJCAI 2025.

Early this week, it was the Doctoral Consortium, and yesterday, our joint paper on “Optimal Transport on Categorical Data for Counterfactuals using Compositional Data and Dirichlet Transport

Recently, optimal transport-based approaches have gained attention for deriving counterfactuals, e.g., to quantify algorithmic discrimination. However, in the general multivariate setting, these methods are often opaque and difficult to interpret. To address this, alternative methodologies have been proposed, using causal graphs combined with iterative quantile regressions (Plečko and Meinshausen (2020)) or sequential transport (Fernandes Machado et al. (2025)) to examine fairness at the individual level, often referred to as “counterfactual fairness.” Despite these advancements, transporting categorical variables remains a significant challenge in practical applications with real datasets. In this paper, we propose a novel approach to address this issue. Our method involves (1) converting categorical variables into compositional data and (2) transporting these compositions within the probabilistic simplex of \mathbb{R}^d. We demonstrate the applicability and effectiveness of this approach through an illustration on real-world data, and discuss limitations.

The (non-)Ethics of Capitalism

Back in 2018, there was a survey on Gallup, about honesty and ethical standards, per profession

More than four in five Americans (84%) again rate the honesty and ethical standards of nurses as “very high” or “high,” earning them the top spot among a diverse list of professions for the 17th consecutive year. At the same time, members of Congress are again held in the lowest esteem, as nearly 58% of Americans say they have “low” or “very low” ethical standards. Telemarketers join members of Congress as having a majority of low/very low ratings.

One might wonder if there is a correlation between ethics and salary. Using the U.S. Bureau of Labor Statistics (BLS) National Occupational Employment and Wage Estimates data, one could easily get the average salary in the U.S. for some professions. For the others, one has to dig a bit more

Store all those information in a csv file, and then, add the honesty/ethics high-very high percentage,

download.file("https://freakonometrics.hypotheses.org/files/2025/08/gallup_ethics_salaries.csv", destfile = "data.csv")
df = read.csv("data.csv", stringsAsFactors = FALSE)

and we can get a plot.

plot(df$percent_high, df$avg_salary_usd,
     xlab = "Honesty/Ethics rated 'Very high/High' (%)",
     ylab = "Average salary (USD)",
     pch = 19)
# label points (may overlap a bit)
text(df$percent_high, df$avg_salary_usd, labels = df$profession, pos = 4, cex = 0.6)

At best, there is no link between salaries and honesty / ethics.

IJCAI 2025 Workshop on Explainable Artificial Intelligence (XAI)

This week, Marouane will present recent work at the Workshop on Explainable Artificial Intelligence (XAI), at IJCAI in Montréal,

Explainable Artificial Intelligence (XAI) addresses the challenge of how to communicate and explain the decision-making of AI systems. The need for explainability increases as AI systems are deployed in critical applications, raising questions such as: how should explainable AI systems be designed? What queries should AI systems be able to answer about their models and decisions? How should user interfaces communicate decision making? What types of user interactions should be supported? And how should explanation quality be assessed?

The Explainable AI (XAI) workshop at IJCAI provides a forum for discussing recent research on XAI methods, highlighting and documenting promising approaches, and encouraging further work, thereby fostering connections among researchers interested in AI, human-computer interaction, and cognitive theories of explanation and transparency. This topic is of particular importance but not limited to machine learning, AI planning, and knowledge reasoning & representation.

In addition to encouraging descriptions of original or recent contributions to XAI (i.e., theory, simulation studies, subject studies, demonstrations, applications), we will welcome contributions that: survey related work; describe key issues that require further research; or highlight relevant challenges of interest to the AI community and plans for addressing them.

The paper, Beyond Shapley Values: Cooperative Games for the Interpretation of Machine Learning Models, is available on ArXiv.

Kyoto (京都), Japan, vs. Montréal, Canada, a first comparison

We just arrived in Kyoto (京都), Japan, from Montréal, Canada. Everything seems very different. I still have in mind the time I spent in Hong Kong (more than a year), but that was 25 years ago… Just to compare, I used wikipedia’s page of Kyoto vs. Montréal. Quite naturaly, I used the pages in French, but that was not stupid because the pages in English are more compex to read (with temperatures in °C and °F, humidity in mm and inches, etc).

urlM="https://fr.wikipedia.org/wiki/Montr%C3%A9al"
urlK="https://fr.wikipedia.org/wiki/Kyoto"
download.file(urlM,destfile = "tempMtrl.html")
download.file(urlK,destfile = "tempKt.html")
library(XML)

Then we extract the tables with important informations

tables=readHTMLTable("tempKt.html")
TK=tables[[6]]
TK[] <- lapply(TK, function(col) {
if (is.character(col)) {
col <- gsub(",", ".", col)
col <- gsub("\\s", "", col)
}
suppressWarnings(as.numeric(col))
})
tables=readHTMLTable("tempMtrl.html")
TM=tables[[7]][,-1]
TM[] <- lapply(TM, function(col) {
if (is.character(col)) {
col <- gsub("\u2212", "-", col)
col <- gsub(",", ".", col)
col <- gsub("\\s", "", col)
}
suppressWarnings(as.numeric(col))
})

and we plot them

cols <- paste0("V", 2:13)
mois <- c("JAN","FEB","MAR","APR","MAY","JUN","JUL","AUG","SEP","OCT","NOV","DEC")
yminK <- suppressWarnings(as.numeric(TK[2, cols]))
ymaxK <- suppressWarnings(as.numeric(TK[3, cols]))
yminM <- suppressWarnings(as.numeric(TM[2, cols]))
ymaxM <- suppressWarnings(as.numeric(TM[3, cols]))
y0K <- pmin(yminK, ymaxK, na.rm = TRUE)
y1K <- pmax(yminK, ymaxK, na.rm = TRUE)
y0M <- pmin(yminM, ymaxM, na.rm = TRUE)
y1M <- pmax(yminM, ymaxM, na.rm = TRUE)
x <- seq_along(cols)
plot(NA,
xlim = c(0.5, length(cols) + 0.5),
ylim = range(y0M, y1M, y0K, y1K, na.rm = TRUE),
xaxt = "n", xlab = "", ylab = "",
main = "Temperatures min-max (°C, averages)")
axis(1, at = x, labels = mois)
w <- 0.8
for (i in x) {
if (!is.na(y0[i]) && !is.na(y1[i])) {
rect(i - w/2, y0K[i], i + w/2, y1K[i],
col = "lightblue", border = "steelblue", lwd = 1.2)
}
}
for (i in x) {
if (!is.na(y0[i]) && !is.na(y1[i])) {
rect(i - w/2, y0M[i], i + w/2, y1M[i],
col = "lightcoral", border = "firebrick", lwd = 1.2)
}
}
grid(nx = NA, ny = NULL, col = "gray85")

with Kyoto in blue, Montréal in red,

of course, we can do the same for humidity

or daylight

暑いですね (atsuidesune, litt. “It’s so hot, isn’t it?”)

Des primes d’assurance personnalisées moins chères grâce à l’IA ?

Parution d’un court article, “Des primes d’assurance personnalisées moins chères grâce à l’IA ? Voici pourquoi il s’agit d’une pente glissante”, sur https://theconversation.com/

L’assurance repose sur un principe de solidarité que mettent à mal les algorithmes chargés de constituer nos profils. À mesure en effet que les algorithmes se précisent, la facture se personnalise. Divers profils « à risque » peuvent ainsi se retrouver exclus des régimes d’assurance, tant les coûts sont élevés. La personnalisation a une légitimité évidente. On doit toutefois lui concilier un accès équitable à l’assurance.

Il faut d’abord savoir que l’assurance est traversée par un paradoxe fondamental. D’un côté, ses principes mêmes supposent un mécanisme collectif où chacun contribue selon sa capacité, et tire profit de la solidarité en cas de sinistre. De l’autre, les avancées technologiques, les données de plus en plus massives et les méthodes actuarielles de plus en plus précises poussent à individualiser toujours davantage les tarifs.

À cette tension s’ajoute un cadre légal de plus en plus exigeant, qui interdit toute forme de discrimination fondée sur des données sensibles, parfois corrélées à des facteurs de risque pourtant pertinents.

La suite sur https://theconversation.com/

En attendant, je peux en profiter pour un petit point rapide de grammaire. La version avant la mise en ligne ce matin avait un titre un peu différent

Dans « des primes moins chères », chères est un adjectif qui qualifie les primes (féminin pluriel) : il s’accorde donc → chères. Et cette petite qualification est à distinguer du cas où cher est adverbe (et donc devient invariable), notamment s’il suit des verbes comme coûter, payer, acheter, vendre : on dit ici

  • Ces primes moins chères (adjectif, on accorde).

mais on aurait du écrire

  • Ces primes coûtent moins cher (adverbe, pas d’accord).

si on avait ajouté le verbe coûter… mais avec le verbe être,

  • Ces primes sont moins chères (adjectif, on accorde)

Enfin, c’est ce que je crois avoir compris….