Epic — Distillations bibliographiques futures à gain marginal vérifié

But

Conserver un réservoir curé de distillations plus lourdes issues de l’audit de 50 ressources du 2026-09-03, sans créer maintenant une issue fille pour chaque papier. Une publication de qualité ne justifie pas automatiquement un notebook : le picker qui ramène cette Epic doit sélectionner un sous-grain, revalider son gap sur main, puis créer l’issue fille bornée correspondante.

Les audits et tableaux de tri restent hors Git. Les publications retenues sont archivées sous :
G:\Mon Drive\MyIA\IA\Bibliographie IA

Règle de tirage d’un sous-grain

Lorsqu’un agent reçoit cette Epic :

1. choisir une seule piste ci-dessous, variée par rapport au grain précédent de la lane ;
2. relire firsthand la source archivée et le récepteur CoursIA courant ;
3. vérifier l’absence de livraison/collision par issue, PR --state all, PR ouverte sur les chemins et historique main ;
4. créer alors une issue fille avec cible précise, coût, licence, validation et critère de sortie ;
5. poser un claim par chemins avant d’éditer ;
6. ne jamais traiter l’Epic entière comme un claim.

Réservoir curé

Causalité, agents et incitations

• Automated social science : petit protocole local agents→SCM, avec distinction simulation/humains. Source : G:\Mon Drive\MyIA\IA\Bibliographie IA\MachineLearning\2024 - Manning et al - Automated Social Science - Language Models as Scientist and Subjects.pdf.
• Benchmark causal LLM local : paires post-cutoff construites dans le notebook, baseline data-driven, désaccords et sensibilité au prompt. Source : G:\Mon Drive\MyIA\IA\Bibliographie IA\Probabilistic\2023 - Kiciman et al - Causal Reasoning and Large Language Models.pdf.
• Reward tampering complet : Rocks-and-Diamonds, RF tampering/input tampering et principe TI-ignoring. Source : G:\Mon Drive\MyIA\IA\Bibliographie IA\MachineLearning\2021 - Everitt et al - Reward Tampering Problems and Solutions in Reinforcement Learning.pdf.

Théorie de la décision et des jeux

• UDT + CCDT/EDT + rational inattention : construire un parcours par puzzles et critères, sans prétendre résoudre les questions ouvertes. Sources :
  • G:\Mon Drive\MyIA\IA\Bibliographie IA\Probabilistic\2023 - Dai - UDT shows that decision theory is more puzzling than ever.pdf ;
  • G:\Mon Drive\MyIA\IA\Bibliographie IA\Probabilistic\2023 - Mohajeri - Conditional causal decision theory reduces to evidential decision theory.pdf ;
  • G:\Mon Drive\MyIA\IA\Bibliographie IA\GameTheory\2022 - Mu Zheng Trott - Modeling Bounded Rationality in Multi-Agent Simulations.pdf.
• Bayesian persuasion/information design : extension sender–receiver, concavification et engagement. Source : G:\Mon Drive\MyIA\IA\Bibliographie IA\GameTheory\2019 - Kamenica - Bayesian Persuasion and Information Design.pdf.
• Shapley de groupes : extension axiomatique du module CooperativeGames existant, après confirmation des métadonnées publiées. Source : G:\Mon Drive\MyIA\IA\Bibliographie IA\GameTheory\2018 - Flores Molina Tejada - Evaluating groups with the generalized Shapley value.pdf.
• Coopération/stratégie de populations LLM : protocole multi-seed, pas de conclusion depuis un seul modèle/run. Sources :
  • G:\Mon Drive\MyIA\IA\Bibliographie IA\GameTheory\2024 - Vallinder Hughes - Cultural Evolution of Cooperation among LLM Agents.pdf ;
  • G:\Mon Drive\MyIA\IA\Bibliographie IA\GameTheory\2025 - Payne Alloui-Cros - Strategic Intelligence in Large Language Models.pdf.

Solveurs et calcul

• Factorio CP-SAT : reconstitution autorisée de la formulation, sans vendor le dépôt sans licence ni assets du jeu ; comparaison MIP/CP-SAT et validateur indépendant. Source : G:\Mon Drive\MyIA\IA\Bibliographie IA\Constraint Programming\2024 - Venturini - Learning Solver Design - Automating Factorio Balancers.pdf.
• Learning-augmented MIP : Neural Diving/Branching sur benchmark borné ou lecture mécaniste, sans promettre la reproduction industrielle. Source : G:\Mon Drive\MyIA\IA\Bibliographie IA\Search\2021 - Nair et al - Solving Mixed Integer Programs Using Neural Networks.pdf.
• FRACTRAN pédagogique : Fibonacci/Collatz comme compagnon du lake Conway, avec Conway 1987 comme référence primaire. Source secondaire : G:\Mon Drive\MyIA\IA\Bibliographie IA\Symbolic\2020 - Braithwaite - Remembering John Conways FRACTRAN.pdf.
• AIT et cognition bornée : seulement si une expérience falsifiable est définie. Source : G:\Mon Drive\MyIA\IA\Bibliographie IA\MachineLearning\2013 - Strannegard et al - Bounded Kolmogorov Complexity Based on Cognitive Models.pdf.

Mathématiques formelles et raisonnement

• Wu/AlphaGeometry : notebook CPU borné de preuve géométrique, avec mesure sérieuse de la baseline symbolique. Source : G:\Mon Drive\MyIA\IA\Bibliographie IA\Symbolic\2024 - Sinha et al - Wus Method can Boost Symbolic AI.pdf.
• Confiance et preuves : fidélité d’énoncé, vacuité, axiomes, TCB et certificat-vs-headline. Source : G:\Mon Drive\MyIA\IA\Bibliographie IA\Symbolic\2026 - Dougherty von Hippel - Lies Damned Lies and Proofs - Formal Methods are not Slopless.pdf.
• Ramsey ou Ehrhart — pas les dix résultats : sélectionner au maximum un premier grain parmi les certificats OpenAI ; construire un exercice exécutable et vérifier l’équivalence entre énoncé Lean et claim vulgarisé. Source : G:\Mon Drive\MyIA\IA\Bibliographie IA\Symbolic\2026 - OpenAI - Dix avancees en mathematiques et en informatique theorique.pdf.
• Validation LLM de mathématiques de recherche : utiliser Gowers comme cas épistémique, pas comme résultat formalisé. Source : G:\Mon Drive\MyIA\IA\Bibliographie IA\Symbolic\2026 - Gowers - A recent experience with ChatGPT 5.5 Pro.pdf.
• Lean4Physics : benchmark et bibliothèque constituent un nouveau domaine ; exiger un résultat Lean précis, un lake compilable et un écart pédagogique démontré. Source : G:\Mon Drive\MyIA\IA\Bibliographie IA\Symbolic\2025 - Li et al - Lean4Physics - Comprehensive Reasoning Framework for College-level Physics in Lean4.pdf.

Post-training mathématique

• GRPO/origine et reproduction small-LLM : seulement si l’angle manque encore après relecture de la série PT et si le matériel permet une validation multi-run. Sources :
  • G:\Mon Drive\MyIA\IA\Bibliographie IA\MachineLearning\2024 - Shao et al - DeepSeekMath - Pushing the Limits of Mathematical Reasoning.pdf ;
  • G:\Mon Drive\MyIA\IA\Bibliographie IA\MachineLearning\2026 - Dang Ngo - Reinforcement Learning for Reasoning in Small LLMs.pdf.

Non-objectifs

• Une issue ou un notebook par lien.
• Pré-créer toutes les issues filles.
• Distiller automatiquement les dix annonces OpenAI.
• Dupliquer Kelly, do-calculus, reward-hacking, neurosymbolique ou harnesses Lean déjà saturés.
• Committer les PDF, le scratchpad ou un rapport d’audit.

Critère de succès de l’Epic

L’Epic reste un picker de distillations rares et substantielles. Chaque issue fille créée doit produire un gain marginal mesurable dans une surface existante, ou créer une nouvelle surface seulement quand aucun récepteur cohérent n’existe et qu’un protocole exécutable non trivial est défini.