L'hypothèse fondamentale guidant la pratique de l'apprentissage automatique est qu’en phase de test, les données sont \emph{indépendantes et identiquement distribuées} à la distribution d'apprentissage. En pratique, les ensembles d'entraînement sont souvent assez petits pour favoriser le recours à des biais trompeurs. De plus, lorsqu'il est déployé dans le monde réel, un modèle est susceptible de rencontrer des données nouvelles ou anormales. Lorsque cela se produit, nous aimerions que nos modèles communiquent une confiance prédictive réduite. De telles situations, résultant de différentes formes de changement de distribution, sont incluses dans ce que l'on appelle actuellement les situations \emph{hors distribution} (OOD). Dans cette thèse par article, nous discutons des aspects de performance OOD relativement à des changement de distribution sémantique et non sémantique -- ceux-ci correspondent à des instances de détection OOD et à des problèmes de généralisation OOD. Dans le premier article, nous évaluons de manière critique le problème de la détection OOD, en se concentrant sur l’analyse comparative et l'évaluation. Tout en soutenant que la détection OOD est trop vague pour être significative, nous suggérons plutôt de détecter les anomalies sémantiques. Nous montrons que les classificateurs entraînés sur des objectifs auxiliaires auto-supervisés peuvent améliorer la sémanticité dans les représentations de caractéristiques, comme l’indiquent notre meilleure détection des anomalies sémantiques ainsi que notre meilleure généralisation. Dans le deuxième article, nous développons davantage notre discussion sur le double objectif de robustesse au changement de distribution non sémantique et de sensibilité au changement sémantique. Adoptant une perspective de compositionnalité, nous décomposons le changement non sémantique en composants systématiques et non systématiques, la généralisation en distribution et la détection d'anomalies sémantiques formant les tâches correspondant à des compositions complémentaires. Nous montrons au moyen d'évaluations empiriques sur des tâches synthétiques qu'il est possible d'améliorer simultanément les performances sur tous ces aspects de robustesse et d'incertitude. Nous proposons également une méthode simple qui améliore les approches existantes sur nos tâches synthétiques. Dans le troisième et dernier article, nous considérons un scénario de boîte noire en ligne dans lequel non seulement la distribution des données d'entrée conditionnées sur les étiquettes change de l’entraînement au test, mais aussi la distribution marginale des étiquettes. Nous montrons que sous de telles contraintes pratiques, de simples estimations probabilistes en ligne du changement d'étiquette peuvent quand même être une piste prometteuse. Nous terminons par une brève discussion sur les pistes possibles. / The fundamental assumption guiding practice in machine learning has been that test-time data is \emph{independent and identically distributed} to the training distribution. In practical use, training sets are often small enough to encourage reliance upon misleading biases. Additionally, when deployed in the real-world, a model is likely to encounter novel or anomalous data. When this happens, we would like our models to communicate reduced predictive confidence. Such situations, arising as a result of different forms of distributional shift, comprise what are currently termed \emph{out-of-distribution} (OOD) settings. In this thesis-by-article, we discuss aspects of OOD performance with regards to semantic and non-semantic distributional shift — these correspond to instances of OOD detection and OOD generalization problems. In the first article, we critically appraise the problem of OOD detection, with regard to benchmarking and evaluation. Arguing that OOD detection is too broad to be meaningful, we suggest detecting semantic anomalies instead. We show that classifiers trained with auxiliary self-supervised objectives can improve semanticity in feature representations, as indicated by improved semantic anomaly detection as well as improved generalization. In the second article, we further develop our discussion of the twin goals of robustness to non-semantic distributional shift and sensitivity to semantic shift. Adopting a perspective of compositionality, we decompose non-semantic shift into systematic and non-systematic components, along with in-distribution generalization and semantic anomaly detection forming the complementary tasks. We show by means of empirical evaluations on synthetic setups that it is possible to improve performance at all these aspects of robustness and uncertainty simultaneously. We also propose a simple method that improves upon existing approaches on our synthetic benchmarks. In the third and final article, we consider an online, black-box scenario in which both the distribution of input data conditioned on labels changes from training to testing, as well as the marginal distribution of labels. We show that under such practical constraints, simple online probabilistic estimates of label-shift can nevertheless be a promising approach. We close with a brief discussion of possible avenues forward.

Les activités humaines menacent gravement la biodiversité. Sous le terme de changements globaux, la sur-exploitation des populations et la destruction/dégradation des habitats arrivent en tête de liste des facteurs responsables de l’érosion de la biodiversité. Le changement climatique gagne en magnitude et ajoute une pression supplémentaire sur les espèces. En réponse à l’augmentation des températures du globe, les communautés se réorganisent suite au déplacement de la distribution géographique des espèces vers les pôles. Mais l’accumulation des pressions anthropiques est susceptible de produire des effets d’interaction limitant l’ajustement des communautés au réchauffement climatique. Dans ce contexte critique, la biologie de la conservation a pour but de concilier les activités humaines avec la conservation de la biodiversité. Dans cette thèse j’ai cherché à comprendre comment l’accumulation des pressions anthropiques peut limiter l’ajustement des communautés au réchauffement climatique et à identifier les solutions qui pourraient être mises en place pour faciliter leur adaptation à ce réchauffement. J’ai pris pour modèle d’étude les espèces d’oiseaux d’eau hivernants dans les pays du bassin méditerranéen. Ces espèces emblématiques bénéficient d’un dénombrement international destiné à suivre leurs populations en réponse aux prélèvements par la chasse et à la dégradation des zones humides dont elles dépendent. La Méditerranée est une région fortement anthropisée où l’utilisation des ressources naturelles exerce d’importantes pressions sur les zones humides et leur biodiversité. En réponse, les pays ont différentes stratégies pour protéger ces écosystèmes, ce qui fait de cette région un plan expérimental intéressant pour mesurer l’impact dans changements globaux sur l’assemblage des espèces en fonction des mesures de conservation mises en oeuvre. En étudiant la réponse des communautés au réchauffement climatique sous un gradient de perte/dégradation d’habitat, je montre que l’ajustement des communautés est réduit, voire empêché, par la dégradation des zones humides. La Convention Ramsar vise justement à protéger les zones humides et leur biodiversité en maintenant une exploitation raisonnée des ressources naturelles. En évaluant l’effet de cette convention, je montre que son efficacité à conserver les populations d’oiseaux est dépendante de l’implémentation d’autres outils de protection, mais que son rôle est crucial dans les pays où la législation environnementale est faible. Enfin, j’évalue la capacité des conventions internationales à faciliter l’ajustement des communautés au réchauffement climatique grâce à la réduction des pressions qui s’exercent sur les populations. J’ai comparé la réponse des communautés entre les pays ayant ratifié la Convention de Berne, ceux ayant engagé son application strictement réglementaire sous la Directive Oiseaux (Union Européenne) et ceux n’ayant pas ratifié ces conventions. Le résultat est clair, plus la réglementation est précise et strictement réglementaire, plus les communautés et les espèces strictement protégées s’ajustent à l’augmentation des températures.En conclusion, les activités humaines sont une menace pour la biodiversité, mais les mesures de conservation, en réduisant les pressions sur les populations facilitent leur adaptation au changement climatique. La conservation des oiseaux d’eau nécessite une collaboration internationale et l’établissement de lois strictement réglementaires protégeant les zones humides et les espèces, tout en assurant une utilisation durable des ressources. / Human activities seriously threaten biodiversity. In terms of global changes, overexploitation of populations and habitat destruction/degradation are at the top of the list of factors responsible for biodiversity loss. Climate change is increasing in magnitude and adding additional pressure on species. In response to the increase in global temperatures, communities are changing as a result of the shift in the geographical distribution of species towards the poles. But the accumulation of anthropogenic pressures is likely to produce interaction effects that limit community adjustment to global warming. In this critical context, conservation biology aims to reconcile human activities with biodiversity conservation. In this thesis I have investigate how the accumulation of anthropogenic pressures can limit the adjustment of communities to global warming and to identify solutions that could be put in place to facilitate their adaptation to this warming. I have used the wintering waterbird species in the countries of the Mediterranean basin as a model for my study. These iconic species benefit from an international census to monitor their populations in response to hunting and the degradation of the wetlands on which they depend. The Mediterranean is a highly anthropized region where the use of natural resources exerts significant pressures on wetlands and their biodiversity. In response, countries have different strategies to protect these ecosystems, making this region an interesting experimental plan to measure the impact in global changes on species assemblage based on conservation measures implemented. By studying the response of communities to global warming under a gradient of habitat loss/degradation, I show that community adjustment is reduced or even prevented by wetland degradation. The Ramsar Convention aims to protect wetlands and their biodiversity by maintaining a rational use of natural resources. In assessing the effect of this convention, I show that its effectiveness in conserving bird populations depends on the implementation of other protection tools, but that its role is crucial in countries where environmental legislation is weak. Finally, I assess the capacity of international conventions to facilitate community adjustment to global warming by reducing population pressures. I compared the communities' response between countries that have ratified the Bern Convention, those that have started its strictly regulatory application under the Birds Directive (European Union) and those that have not ratified these conventions. The result is clear, the more precise and strictly regulatory the regulations, the more communities and strictly protected species adjust to the increase in temperatures.In conclusion, human activities are a threat to biodiversity, but conservation measures, by reducing pressures on populations, facilitate their adaptation to climate change. Waterbird conservation requires international collaboration and the establishment of strictly regulatory laws to protect wetlands and species, while ensuring sustainable use of resources.

Cette thèse aborde certaines des limitations du cadre de la prédiction performative, qui consiste à apprendre des modèles influençant les données qu’ils sont censés prédire. Je propose des solutions pour repousser les limites de ce cadre, en explorant et en identifiant de nouveaux domaines où son application peut être étendue. La thèse est structurée en trois chapitres, comme décrit ci-après. Le Chapitre 1 offre un aperçu complet du cadre de la prédiction performative, y compris une vue d’ensemble détaillée de la notation préliminaire (Section 1.1) et des concepts nécessaires à la compréhension du cadre, y compris les concepts de solution (Section 1.2) et l’algorithme de Minimisation de Risque Répété (Section 1.3). La notation de ce chapitre est tirée de l’article original sur la prédiction performative afin de garantir une compréhension fondamentale. De plus, la Section 1.4 introduit la relation entre la prédiction performative et les inégalités variationnelles, qui seront abordées plus en détail au Chapitre 3. Le Chapitre 2 présente la contribution principale de cette thèse, en analysant le cadre de la prédiction performative en présence de réseaux neuronaux avec une fonction de perte non convexe. L’accent est mis sur la recherche de classificateurs performativement stables, c’est-à-dire optimaux pour la distribution de données qu’ils induisent. Ce chapitre introduit de nouvelles hypothèses et des garanties de convergence significativement plus fortes pour la méthode RRM (Section 2.3). Ces garanties sont les premières à démontrer l’applicabilité de RRM aux réseaux neuronaux, qui sont difficiles à analyser en raison de leur non-convexité. En guise d’illustration, nous introduisons une procédure de rééchantillonnage qui modélise des changements de distribution réalistes et montrons qu’elle satisfait nos hypothèses (Section 2.4). Nous étayons notre théorie en montrant qu’il est possible d’apprendre des classificateurs performativement stables avec des réseaux neuronaux faisant des prédictions sur des données réelles qui changent selon notre procédure proposée (Section 2.5). Ce travail représente une étape cruciale pour combler le fossé entre la prédiction performative théorique et les applications pratiques. Le Chapitre 3 conclut la thèse en résumant les principales conclusions et contributions et en esquissant de futures directions de recherches. Notamment, il explore l’utilisation des inégalités variationnelles pour aborder et surmonter une limitation significative des travaux antérieurs qui régissent la force des effets performatifs. Cette recherche vise à étendre l’analyse à des scénarios avec des effets performatifs importants et à élargir l’applicabilité du cadre, ouvrant la voie à des solutions plus complètes dans la prédiction performative. / This thesis addresses some of the limitations in the framework of performative prediction, which involves learning models that influence the data they intend to predict. I provide solutions to push the boundaries of this framework, exploring and identifying new domains where its application can be extended. The thesis is structured into three chapters, as described in the following. Chapter 1 offers a comprehensive background on the framework of performative prediction, including a detailed overview of the preliminary notation (Section 1.1) and concepts necessary for understanding the framework, including the solution concepts (Section 1.2) and the Repeated Risk Minimization algorithm (Section 1.3). The notation in this chapter is sourced from the original performative prediction paper to ensure a foundational understanding. Furthermore, Section 1.4 introduces the relationship between performative prediction and variational inequalities, which will be further discussed in Chapter 3. Chapter 2 introduces the main contribution of this thesis, analyzing the performative prediction framework in the presence of neural networks with non-convex loss functions. The focus is on finding classifiers that are performatively stable, meaning they are optimal for the data distribution they induce. This chapter introduces new assumptions and significantly stronger convergence guarantees for the RRM method (Section 2.3). These guarantees are the first to demonstrate the applicability of RRM to neural networks, which are challenging to analyze due to their non-convexity. As an illustration, we introduce a resampling procedure that models realistic distribution shifts and show that it satisfies our assumptions (Section 2.4). We support our theory by showing that one can learn performative stable classifiers with neural networks making predictions about real data that shift according to our proposed procedure (Section 2.5). This work represents a critical step towards bridging the gap between theoretical performative prediction and practical applications. Chapter 3 concludes the thesis by summarizing the key findings and contributions and outlining future research directions. Notably, it explores leveraging variational inequalities to address and overcome a significant limitation in prior work that governs the strength of performative effects. This research aims to extend the analysis to scenarios with large performative effects and broaden the framework’s applicability, paving the way for more comprehensive solutions in performative prediction.