Dana Angluin

Angluin a obtenu son baccalauréat (B. A.) et son doctorat (Ph. D.) à l'université de Californie à Berkeley^[5],[6] sous la direction de Manuel Blum. Sa thèse, intitulée An application of the theory of computational complexity to the study of inductive inference, a été l'une des premières études à appliquer la théorie de la complexité au domaine de l'inférence inductive^[6]. Dana Angluin a rejoint l'université de Yale en 1979^[6].

Summarize Timeline Fact Check

Angluin a publié des articles fondateurs en théorie de l'apprentissage informatique, où elle a étudié l'apprentissage à partir d'exemples bruités^[3] et l'apprentissage de langages réguliers à partir de requêtes et de contre-exemples^[2] et en informatique distribuée, où elle a co-inventé le modèle de protocole de population et étudié le problème du consensus^[4],[7] et en algorithmique probabiliste, où elle a étudié les algorithmes aléatoires pour les circuits hamiltoniens et les couplages^[8].

Dana Angluin a publié de nombreux articles, très cités, sur la théorie de l'apprentissage automatique, notamment concernant l'apprentissage de langages réguliers à partir de requêtes d'appartenance et d'équivalence de langage grâce à l'algorithme L*^[9]. Cet algorithme permet aux programmes d'apprendre des systèmes complexes par un processus d'essais et d'erreurs, en formulant des hypothèses de plus en plus complètes afin de déterminer le comportement du système. Grâce aux réponses obtenues, l'algorithme affine sa compréhension du système. Il utilise un enseignant minimalement compétent (MAT, Minimally Adequate Teacher) pour poser des questions sur l'ensemble inconnu S. Le MAT répond par oui ou par non à deux types de requêtes : les requêtes d'appartenance, indiquant si une entrée appartient à l'ensemble inconnu, et les requêtes d'équivalence, indiquant si une description du langage est exacte. L'élève (aussi appelé apprenant) utilise les réponses de l'enseignant pour affiner sa compréhension de l'ensemble S en temps polynomial^[10]. Bien que l'article d'Angluin ait été publié en 1987, un article de 2017 du professeur d'informatique Frits Vaandrager affirme que « les algorithmes d'apprentissage les plus efficaces utilisés aujourd'hui suivent tous l'approche d'Angluin d'un enseignant minimalement compétent »^[10].

Les travaux d'Angluin sur l'apprentissage à partir d'exemples bruités ^[11] ont également eu une influence considérable sur le domaine de l'apprentissage automatique ^[12]. Ses travaux portent sur l'adaptation des algorithmes d'apprentissage pour gérer les exemples d'entraînement incorrects ( données bruitées ). L'étude d'Angluin démontre l'existence d'algorithmes capables d'apprendre en présence d'erreurs dans les données ^[12] .

En informatique distribuée, elle a co-inventé le modèle de protocole de population et a étudié le problème du consensus^[13],[14]. Elle a aussi étudié les algorithmes randomisés pour les circuits hamiltoniens et les couplages^[15],[16].

Angluin a participé à la fondation de la Conference on Learning Theory (COLT) et a siégé dans des comités de programme et des comités de pilotage pour COLT^{[17],[18] ,[19]}. Elle a été rédactrice de section du journal Information and Computation de 1989 à 1992^[20],[21]. Elle est membre de l' Association for Computing Machinery et de l'Association for Women in Mathematics.

Angluin est une enseignante très réputée, elle a remporté « trois des prix d'enseignement les plus prestigieux décernés par Yale College » : le prix Dylan Hixon pour l'excellence en enseignement des sciences, le prix Bryne/Sewall pour l'excellence de l'enseignement de premier cycle et la médaille Phi Beta Kappa DeVane^[22],[12].

Elle est une des lauréates du prix Dijkstra 2020.

Angluin a également publié des travaux sur Ada Lovelace et son implication dans le moteur analytique^[23].

• Dana Angluin, « Queries and concept learning », Machine Learning, vol. 2, n^o 4,‎ avril 1988, p. 319–342 (DOI 10.1007/bf00116828, lire en ligne).
• Dana Angluin, « Learning Regular Sets from Queries and Counter-Examples », Information and Control, vol. 75, n^o 2,‎ 1987, p. 87–106 (DOI 10.1016/0890-5401(87)90052-6, lire en ligne).
• Dana Angluin et Philip Laird, « Learning from noisy examples », Machine Learning, vol. 2, n^o 4,‎ avril 1988, p. 343–370 (DOI 10.1007/bf00116829, lire en ligne).
• Dana Angluin, James Aspnes et David Eisenstat, « A simple population protocol for fast robust approximate majority », Distributed Computing, vol. 21, n^o 2,‎ 2008, p. 87–102 (DOI 10.1007/s00446-008-0059-z, lire en ligne).
• Dana Angluin et Leslie G. Valiant, « Fast probabilistic algorithms for hamiltonian circuits and matchings », Proceedings of the Ninth Annual ACM Symposium on Theory of Computing - STOC '77, ACM Press,‎ 1977, p. 30–41 (ISBN 9781450374095, DOI 10.1145/800105.803393, lire en ligne).
• Dana Angluin, « Finding Patterns Common to a Set of Strings », Journal of Computer and System Sciences, vol. 21,‎ 1980, p. 46–62 (DOI 10.1016/0022-0000(80)90041-0).
• Dana Angluin, « Inductive Inference of Formal Languages from Positive Data », Information and Control, vol. 45, n^o 2,‎ 1980a, p. 117–135 (DOI 10.1016/s0019-9958(80)90285-5, lire en ligne).
• Dana Angluin, James Aspnes, Zoë Diamadi, Michael J. Fischer et Rene Peralta, « Computation in networks of passively mobile finite-state sensors », Distributed Computing, vol. 18, n^o 4,‎ 2006, p. 235–253 (DOI 10.1007/s00446-005-0138-3, lire en ligne). — Article distingué par le prix Dijkstra.
• Dana Angluin, Jeffery R. Westbrook et Wenhong Zhu, « Robot navigation with distance queries », SIAM Computing, vol. 30, n^o 1,‎ 110-144, p. 110-144.