Explainable Causal Reinforcement Learning for wildfire evacuation logistics networks in carbon-negative infrastructure

Cette recherche vise à surmonter les limitations des modèles standards de Reinforcement Learning pour l'optimisation des évacuations en cas d'incendie de forêt. L'auteur applique l'inférence causale, inspirée par Judea Pearl et Bernhard Schölkopf, pour gérer les recommandations inexplicables et les variables de confusion.