Dans le cadre de mes questionnements sur individus vs. collectif (en lien avec l’assurance, et plus particulièrement l’assurance des catastrophes naturelles), je découvrais l’autre jour un court texte, Culture Is the Mass-Synchronization of Framings écrit par Marco Giancotti, qui commence par une anecdote. Il décrit un quai à Tokyo, où les passagers forment deux files par porte, avant de pouvoir prendre un train. Une file pour monter dans le prochain train et une autre pour “sacrifier” le prochain train afin d’avoir une place assise dans le suivant. Sans consignes détaillées, Marco Giancotti explique que ce système est appris par immersion. Et à partir de là, il généralise, constatant (et je le rejoins) que beaucoup de comportements au Japon qui surprennent les visiteurs, comme le respect implicite de certaines règles de civilité, ne viennent pas d’une disposition innée. Des résidents étrangers finissent par adopter les mêmes routines, alors que les touristes ne les ont pas encore assimilées. L’explication est donc culturelle, et pas biologique. Marco Giancotti insiste ensuite sur la contingence, les standards culturels émergent souvent par hasard, puis se stabilisent via des boucles de rétroaction. Mais j’y reviendrais, parce que je voulais rebondir un peu sur cet article, avec une lecture un peu différente, revenant sur la manière dont le collectif est géré au Japon. Parce que, mine de rien, tout le monde pourra constater qu’en 2026, le collectif a mauvais presse, où il est souvent présenté comme une menace. Menace pour l’autonomie, pour la créativité, pour l’expression de préférences singulières. Dans la plupart des récits économiques, le collectif est parfois associé à des frictions, à des contraintes, à des inefficacités. Le marché, à l’inverse, serait un dispositif plus neutre. Il agrégerait des choix individuels sans exiger d’accord préalable sur ce qui est bien ou souhaitable. Mais cette opposition est décrit mal l’expérience sociale. La vie ordinaire est saturée de comportements coordonnés. Partout, l’individu agit dans un environnement d’attentes. Et ces attentes ne sont pas seulement des contraintes externes. Elles constituent une infrastructure, souvent invisible, qui rend les interactions prévisibles. Et c’est peut être un peu tiré par les cheveux, mais ça m’a fait pensé à une discussion que j’avais eu avec mon ancien doctorant, Philipp Ratz, quand j’étais à allé le voir à Zürich, il y a plusieurs mois…
Continue reading Jouer collectif au XXIème siècle?
Tag Archives: cooperative
Unveil Sources of Uncertainty: Feature Contribution to ConformalPrediction Intervals
With Marouane Il Idrissi, Agathe Fernandes Machado and Ewen Gallic, we recently uploaded a paper “Unveil Sources of Uncertainty: Feature Contribution to Conformal Prediction Intervals” on ArXiv.
Cooperative game theory methods, notably Shapley values, have significantly enhanced machine learning (ML) interpretability. However, existing explainable AI (XAI) frameworks mainly attribute average model predictions, overlooking predictive uncertainty. This work addresses that gap by proposing a novel, model-agnostic uncertainty attribution (UA) method grounded in conformal prediction (CP). By defining cooperative games where CP interval properties-such as width and bounds-serve as value functions, we systematically attribute predictive uncertainty to input features. Extending beyond the traditional Shapley values, we use the richer class of Harsanyi allocations, and in particular the proportional Shapley values, which distribute attribution proportionally to feature importance. We propose a Monte Carlo approximation method with robust statistical guarantees to address computational feasibility, significantly improving runtime efficiency. Our comprehensive experiments on synthetic benchmarks and real-world datasets demonstrate the practical utility and interpretative depth of our approach. By combining cooperative game theory and conformal prediction, we offer a rigorous, flexible toolkit for understanding and communicating predictive uncertainty in high-stakes ML applications.
