Vincent Maillot (Institut de Mathématiques de Jussieu) — mardi 10 mars 2026 à 13h30

De la géométrie d'Arakelov aux théories secondaires de Lott

La géométrie d'Arakelov fut développée initialement dans le but de calculer des bornes effectives en géométrie diophantienne. Les valeurs obtenues n'avaient a priori que peu d'interet en elles-memes (l'une des raisons en était que ces valeurs dépendaient intimement des métriques choisies). Une avancée importante fut de comprendre que dans certaines situations "universelles" les nombres arithmétiques calculés étaient intéressants par eux-memes. Apres avoir raconté cette histoire, j'essaierai d'expliquer pourquoi ce point de vue est en fait bien plus general, et permet de mieux comprendre d'autres théories, la théorie d'Iwasawa et la théorie des noeuds par exemple.

Solenne Gaucher (Ecole Polytechnique) — mardi 12 mai 2026 à 13h30

Classification and regression under fairness constraints

Artificial intelligence (AI) is increasingly shaping the decisions that affect our lives—from hiring and education to healthcare and access to social services. While AI promises efficiency and objectivity, it also carries the risk of perpetuating and even amplifying societal biases embedded in the data used to train these systems. Algorithmic fairness aims to design and analyze algorithms capable of providing predictions that are both reliable and equitable. In this talk, I will introduce one of the main approaches to achieving this goal: statistical fairness. After outlining the basic principles of this approach, I will focus specifically on a fairness criterion known as "demographic parity," which seeks to ensure that the distribution of predictions is identical across different populations. I will then discuss recent results related to regression and classification problems under this fairness constraint, exploring scenarios where differentiated treatment of populations is either permitted or prohibited.