fix(notebooks,#14859): 47 escapes LaTeX manges par chaines non-raw + detecteur advisory

.github/workflows/notebook-latex-control-chars.yml

@@ -0,0 +1,87 @@
+name: Notebook LaTeX Control Chars
+
+# Issue #14859 (myia-po-2026:CoursIA, 2026-09-06): LaTeX generated from a
+# non-raw Python string loses its backslash to an escape sequence --
+# `\theta` lands as TAB + "heta" inside the math scope. The JSON stays
+# valid, the notebook opens, every other guard passes, and the formula does
+# not render. Measured on main: 47 occurrences across 3 notebooks.
+#
+# This guard (ADVISORY, non-blocking -- the coordinateur decides):
+#   - scans every notebook touched by the PR with
+#     scripts/notebook_tools/check_latex_control_chars.py (3 discriminants:
+#     markdown cells only, inside $...$/$$...$$ scopes, known command
+#     queue after the control char; details + FP classes in the script
+#     docstring);
+#   - on occurrences: ::warning:: annotations (one per defect) + summary,
+#     exit 0 -- advisory organ, the PR gate does not fail;
+#   - on detector error (exit 2): ::warning:: NAMING the failure -- never
+#     a silent pass (#14849 lesson: an unreadable input is an unknown
+#     verdict, not a clean one);
+#   - runs its unit tests (positive AND negative controls -- the issue
+#     measured twice a wrong pattern set returning a clean zero).
+
+on:
+  pull_request:
+    branches: [main]
+    paths:
+      - '**.ipynb'
+      - 'scripts/notebook_tools/check_latex_control_chars.py'
+      - '.github/workflows/notebook-latex-control-chars.yml'
+  push:
+    branches: [main]
+    paths:
+      - 'scripts/notebook_tools/check_latex_control_chars.py'
+      - '.github/workflows/notebook-latex-control-chars.yml'
+
+permissions:
+  contents: read
+
+concurrency:
+  group: notebook-latex-control-chars-${{ github.ref }}
+  cancel-in-progress: ${{ github.event_name == 'pull_request' }}
+
+jobs:
+  latex-control-chars:
+    # Route vers la jambe Linux auto-hebergee (cf notebook-cell-source-parses
+    # #13378 tranche 1) : garde Python pur, sans secret ni GITHUB_TOKEN.
+    runs-on: [self-hosted, coursia-ephemeral, coursia-linux]
+    if: github.event.pull_request.head.repo.full_name == null || github.event.pull_request.head.repo.full_name == github.repository
+    timeout-minutes: 10
+
+    steps:
+    - uses: actions/checkout@v4
+      with:
+        fetch-depth: 0
+
+    - name: Set up Python
+      uses: actions/setup-python@v5
+      with:
+        python-version: '3.12'
+
+    - name: Scan notebooks touched by PR (advisory)
+      env:
+        BASE: ${{ github.event.pull_request.base.sha }}
+        HEAD: ${{ github.event.pull_request.head.sha || github.sha }}
+      run: |
+        set -uo pipefail
+        if [ -z "$BASE" ] || [ "$BASE" = "$HEAD" ]; then
+          echo "No PR base SHA available; whole-repo scan (informational)."
+          python scripts/notebook_tools/check_latex_control_chars.py
+          exit 0
+        fi
+        # Detector exit codes: 0 clean, 1 occurrences (advisory here), 2 error.
+        if python scripts/notebook_tools/check_latex_control_chars.py --pr-diff "$BASE" "$HEAD"; then
+          echo "Aucun caractere de controle dans les portees math des notebooks touches."
+        else
+          RC=$?
+          if [ "$RC" = "2" ]; then
+            echo "::warning::Detecteur latex-control-chars en ERREUR (exit 2 -- notebook illisible ou args invalides) : verdict UNKNOWN, voir le log ci-dessus (#14849)."
+            exit 1
+          fi
+          echo "::warning::Caracteres de controle ayant avale un escape LaTeX dans les notebooks touches (advisory #14859) : corriger la cause (chaine raw) puis regenerer -- details dans le log ci-dessus."
+          exit 0
+        fi
+
+    - name: Run unit tests
+      run: |
+        python -m unittest scripts.tests.test_check_latex_control_chars -v

MyIA.AI.Notebooks/GameTheory/GameTheory-15-CooperativeGames.ipynb

@@ -185,7 +185,7 @@
     "\n",
     "Un **jeu coopératif** $(N, v)$ est défini par :\n",
     "- $N = \\{1, 2, ..., n\\}$ : ensemble des joueurs\n",
-    "- $v : 2^N \rightarrow \\mathbb{R}$ : **fonction caractéristique**\n",
+    "- $v : 2^N \\rightarrow \\mathbb{R}$ : **fonction caractéristique**\n",
     "  - $v(S)$ = valeur que la coalition $S$ peut obtenir\n",
     "  - Convention : $v(\\emptyset) = 0$\n",
     "\n",
@@ -197,7 +197,7 @@
     "- **Convexité** : $v(S \\cup \\{i\\}) - v(S) \\leq v(T \\cup \\{i\\}) - v(T)$ pour $S \\subseteq T$\n",
     "  - La contribution marginale croît avec la taille de la coalition\n",
     "\n",
-    "### Pourquoi $v : 2^N \rightarrow \\mathbb{R}$ plutot qu'un modele strategique\n",
+    "### Pourquoi $v : 2^N \\rightarrow \\mathbb{R}$ plutot qu'un modele strategique\n",
     "\n",
     "Dans un jeu non-cooperatif (notebooks 1-13), on specifie les **actions** et les **paiements** de chaque joueur. Le modele strategique est complet : connaissant l'equilibre de Nash, on peut predire l'issue.\n",
     "\n",
@@ -217,7 +217,8 @@
     "\n",
     "### Lien avec l'economie\n",
     "\n",
-    "En **economie industrielle**, les TU games sont utilises pour analyser les **fusions d'entreprises**. $v(S)$ represente le profit que les entreprises $S$ reunies peuvent obtenir (apres synergies). La theorie de Shapley predit quelle fusion est equitable. Voir **Aumann & Dreze 1974** *Cooperative games with coalition structures* pour la generalisation avec structures de coalition arbitraires.\n"
+    "En **economie industrielle**, les TU games sont utilises pour analyser les **fusions d'entreprises**. $v(S)$ represente le profit que les entreprises $S$ reunies peuvent obtenir (apres synergies). La theorie de Shapley predit quelle fusion est equitable. Voir **Aumann & Dreze 1974** *Cooperative games with coalition structures* pour la generalisation avec structures de coalition arbitraires.\n",
+    ""
    ]
   },
   {
@@ -416,7 +417,7 @@
     "\n",
     "### Formule\n",
     "\n",
-    "$$\\phi_i(v) = \\sum_{S \\subseteq N \\setminus \\{i\\}} \frac{|S|!(n-|S|-1)!}{n!} \\cdot [v(S \\cup \\{i\\}) - v(S)]$$\n",
+    "$$\\phi_i(v) = \\sum_{S \\subseteq N \\setminus \\{i\\}} \\frac{|S|!(n-|S|-1)!}{n!} \\cdot [v(S \\cup \\{i\\}) - v(S)]$$\n",
     "\n",
     "**Interprétation** : Moyenne des contributions marginales de $i$ sur tous les ordres d'arrivée possibles.\n",
     "\n",
@@ -441,7 +442,8 @@
     "\n",
     "La formule de Shapley ressemble a une **moyenne ponderée** sur les permutations -- analogue a l'**ensemble canonique** en mecanique statistique (chaque permutation = micro-etat). Cette analogie est profonde : la theorie de Shapley peut etre vue comme une integration sur l'**ensemble des ordres d'arrivee**, chaque ordre etant un micro-etat du processus de coalition.\n",
     "\n",
-    "Voir **Aumann 1985** *What is game theory trying to accomplish?* pour une discussion philosophique sur le statut des axiomes en theorie des jeux.\n"
+    "Voir **Aumann 1985** *What is game theory trying to accomplish?* pour une discussion philosophique sur le statut des axiomes en theorie des jeux.\n",
+    ""
    ]
   },
   {
@@ -740,15 +742,15 @@
     "### Complexité du calcul de Shapley\n",
     "\n",
     "- **Exact** : $O(n! \\cdot n)$ ou $O(2^n \\cdot n)$ - seulement pour $n \\leq 10$\n",
-    "- **Monte Carlo** : $O(\text{samples} \\cdot n)$ - pour grands $n$\n",
+    "- **Monte Carlo** : $O(\\text{samples} \\cdot n)$ - pour grands $n$\n",
     "\n",
     "Le calcul exact devient impraticable pour de grands ensembles de joueurs, ce qui explique pourquoi la valeur de Shapley est rarement utilisée en pratique politique (voir section 5).\n",
     "\n",
     "### Complexite exacte vs approximation\n",
     "\n",
     "**Exact $O(2^n \\cdot n)$** : on enumere tous les sous-ensembles $S \\subseteq N \\setminus \\{i\\}$ (il y en a $2^{n-1}$), pour chaque $S$ on evalue $v(S \\cup \\{i\\})$ et $v(S)$ (2 evaluations), puis on moyenne. Pour $n=10$, ca fait $10 \\cdot 2^9 = 5120$ evaluations -- encore faisable. Pour $n=20$, ca fait $20 \\cdot 2^{19} \u0007pprox 10^7$ -- long mais faisable. Pour $n=30$, ca fait $20 \\cdot 2^{29} \u0007pprox 10^{10}$ -- impraticable.\n",
     "\n",
-    "**Monte Carlo $O(\text{samples} \\cdot n)$** : on tire `samples` permutations aleatoires uniformement, pour chaque permutation on calcule les contributions marginales, on moyenne. La convergence est en $O(1/\\sqrt{\text{samples}})$ par le TCL. Pour `samples = 10^4` et $n = 100$, on obtient une erreur typique de l'ordre de $10^{-2}$ -- acceptable pour la visualisation politique, insuffisant pour une application legale ou financiere.\n",
+    "**Monte Carlo $O(\\text{samples} \\cdot n)$** : on tire `samples` permutations aleatoires uniformement, pour chaque permutation on calcule les contributions marginales, on moyenne. La convergence est en $O(1/\\sqrt{\\text{samples}})$ par le TCL. Pour `samples = 10^4` et $n = 100$, on obtient une erreur typique de l'ordre de $10^{-2}$ -- acceptable pour la visualisation politique, insuffisant pour une application legale ou financiere.\n",
     "\n",
     "**Approximation structurelle** : pour des jeux **convexes** ou avec structure particuliere (graph games, weighted voting), des algorithmes polynomiaux existent. Voir **Iehlé 2007** *The shapley value of cooperative games with fuzzy graph* pour une extension aux graphes flous.\n",
     "\n",
@@ -886,7 +888,7 @@
     "\n",
     "Le **Core** est l'ensemble des allocations stables :\n",
     "\n",
-    "$$\text{Core}(v) = \\{x \\in \\mathbb{R}^n : \\sum_i x_i = v(N) \text{ et } \\sum_{i \\in S} x_i \\geq v(S) \text{ pour tout } S\\}$$\n",
+    "$$\\text{Core}(v) = \\{x \\in \\mathbb{R}^n : \\sum_i x_i = v(N) \\text{ et } \\sum_{i \\in S} x_i \\geq v(S) \\text{ pour tout } S\\}$$\n",
     "\n",
     "**Interprétation** : Une allocation est dans le Core si aucune coalition $S$ ne peut \"bloquer\" (obtenir plus en se séparant).\n",
     "\n",
@@ -918,7 +920,8 @@
     "\n",
     "Le **nucleolus** (Schmeidler 1969) est une autre solution qui raffine le Core : c'est l'allocation qui **minimise** le plus grand exces (l'insatisfaction de la coalition la plus mecontente). Le nucleolus existe toujours et est unique. Pour les jeux convexes, nucleolus = Shapley = Core.\n",
     "\n",
-    "**Liens** : voir **Peleg & Sudholter 2007** *Introduction to the theory of cooperative games* pour un traitement exhaustif. Le Core, nucleolus, Shapley, nucleon, Banzhaf sont les cinq solutions standards. Chacune a des interpretations differentes de l'equite, et aucune n'est universellement \"la bonne\" -- c'est un defaut de la theorie que les chercheurs reconnaissent depuis longtemps.\n"
+    "**Liens** : voir **Peleg & Sudholter 2007** *Introduction to the theory of cooperative games* pour un traitement exhaustif. Le Core, nucleolus, Shapley, nucleon, Banzhaf sont les cinq solutions standards. Chacune a des interpretations differentes de l'equite, et aucune n'est universellement \"la bonne\" -- c'est un defaut de la theorie que les chercheurs reconnaissent depuis longtemps.\n",
+    ""
    ]
   },
   {
@@ -1124,7 +1127,7 @@
     "\n",
     "Pour un **jeu convexe** (economies d'echelle), les contributions marginales **croissent** avec la taille de la coalition. Formellement :\n",
     "\n",
-    "$$v(S \\cup \\{i\\}) - v(S) \\leq v(T \\cup \\{i\\}) - v(T) \\quad \text{pour } S \\subseteq T$$\n",
+    "$$v(S \\cup \\{i\\}) - v(S) \\leq v(T \\cup \\{i\\}) - v(T) \\quad \\text{pour } S \\subseteq T$$\n",
     "\n",
     "Geometriquement, la \"courbe des contributions marginales\" est convexe. Cela suffit a garantir que le Core est non-vide : les contributions marginales sont tellement croissantes que la grande coalition est **strictement preferable** a toute sous-coalition, et l'allocation equitable peut etre obtenue par egalisation des contributions marginales.\n",
     "\n",
@@ -1409,21 +1412,21 @@
     "\n",
     "### Strategie d'equilibre pour theta=0.8\n",
     "\n",
-    "Pour $\theta = 0.8$, la **probabilite de l'etat A** (Harriet prefere les trombonnes) est 0.8. La **strategie d'equilibre** de Harriet est de choisir 2 trombonnes : ce signal est si clairement en faveur de A que Robbie peut conclure $\theta > 0.5$ avec certitude.\n",
+    "Pour $\\theta = 0.8$, la **probabilite de l'etat A** (Harriet prefere les trombonnes) est 0.8. La **strategie d'equilibre** de Harriet est de choisir 2 trombonnes : ce signal est si clairement en faveur de A que Robbie peut conclure $\\theta > 0.5$ avec certitude.\n",
     "\n",
     "**Calcul Bayesien** : la strategie de Robbie est :\n",
     "\n",
     "- Si Harriet choisit 2 trombonnes : posterior de A = ?\n",
     "- Si Harriet choisit 1 de chaque : posterior de A = ?\n",
     "- Si Harriet choisit 2 stylos : posterior de A = ?\n",
     "\n",
-    "Selon le principe de **dominance faible** (milnor 1954), Harriet choisit le signal qui maximise son **utilite esperee** sur la strategie optimale de Robbie. Pour $\theta = 0.8$, choisir 2 trombonnes donne l'utilite la plus haute (Robbie fournit 90 trombonnes plutot que 50/50 ou 0/100).\n",
+    "Selon le principe de **dominance faible** (milnor 1954), Harriet choisit le signal qui maximise son **utilite esperee** sur la strategie optimale de Robbie. Pour $\\theta = 0.8$, choisir 2 trombonnes donne l'utilite la plus haute (Robbie fournit 90 trombonnes plutot que 50/50 ou 0/100).\n",
     "\n",
     "### Pourquoi c'est pedagogiquement interessant\n",
     "\n",
-    "Le cas $\theta = 0.8$ est \"facile\" pour le robot : Harriet est tellement en faveur de A que son signal est non-ambigu. Le cas $\theta = 0.5$ est **critique** : Harriet est indifferente a l'etat reel, son signal ne revele rien, et le robot doit fournir 50/50 (l'equilibre symetrique).\n",
+    "Le cas $\\theta = 0.8$ est \"facile\" pour le robot : Harriet est tellement en faveur de A que son signal est non-ambigu. Le cas $\\theta = 0.5$ est **critique** : Harriet est indifferente a l'etat reel, son signal ne revele rien, et le robot doit fournir 50/50 (l'equilibre symetrique).\n",
     "\n",
-    "La transition entre les deux regimes est abrupte : pour $\theta$ dans une **micro-bande** autour de 0.5, le signal est ambigu et l'efficacite baisse. Pour $\theta$ eloigne de 0.5, le signal est clair et l'efficacite est parfaite. Cette **transition de phase** est un phenomene classique de la theorie des jeux bayesiens.\n",
+    "La transition entre les deux regimes est abrupte : pour $\\theta$ dans une **micro-bande** autour de 0.5, le signal est ambigu et l'efficacite baisse. Pour $\\theta$ eloigne de 0.5, le signal est clair et l'efficacite est parfaite. Cette **transition de phase** est un phenomene classique de la theorie des jeux bayesiens.\n",
     ""
    ]
   },
@@ -1532,7 +1535,7 @@
     "\n",
     "### Cas critique : pourquoi le signal \"1 de chaque\" ?\n",
     "\n",
-    "Pour $\theta = 0.5$ exactement, Harriet est **indifferente** entre les 3 etats (A, B, C). Le signal \"1 de chaque\" revele aux observateurs (Robbie) que Harriet est moderee, sans pour autant defavoriser un etat.\n",
+    "Pour $\\theta = 0.5$ exactement, Harriet est **indifferente** entre les 3 etats (A, B, C). Le signal \"1 de chaque\" revele aux observateurs (Robbie) que Harriet est moderee, sans pour autant defavoriser un etat.\n",
     "\n",
     "**C'est le signal \"neutre\"** : ne revele pas de preference, mais indique une absence de preference forte. Pour le robot, c'est le signal de l'indecision -- il doit fournir une quantite equilibree (50/50 ou tout autre partage egal).\n",
     "\n",
@@ -1546,9 +1549,9 @@
     "\n",
     "Le **cout bayesien** de l'incertitude (perte par rapport a l'information parfaite) est :\n",
     "\n",
-    "$$C(\theta) = \\max_{a_H, a_R} U_H(\theta, a_H^*(\theta), a_R^*(\theta)) - U_H(\theta, a_H^{eq}(\theta), a_R^{eq}(\theta))$$\n",
+    "$$C(\\theta) = \\max_{a_H, a_R} U_H(\\theta, a_H^*(\\theta), a_R^*(\\theta)) - U_H(\\theta, a_H^{eq}(\\theta), a_R^{eq}(\\theta))$$\n",
     "\n",
-    "Pour ce jeu, $C(\theta)$ est nul sauf pour $\theta$ dans les micro-bandes $[\theta^*-\\epsilon, \theta^*+\\epsilon]$. L'integrale de $C(\theta)$ sur $\theta \\in [0, 1]$ est donc petite -- c'est un jeu ou **l'incertitude est presque gratuite**.\n",
+    "Pour ce jeu, $C(\\theta)$ est nul sauf pour $\\theta$ dans les micro-bandes $[\\theta^*-\\epsilon, \\theta^*+\\epsilon]$. L'integrale de $C(\\theta)$ sur $\\theta \\in [0, 1]$ est donc petite -- c'est un jeu ou **l'incertitude est presque gratuite**.\n",
     "\n",
     "### Pourquoi c'est important pour l'AI Safety\n",
     "\n",
@@ -1670,7 +1673,7 @@
     "### Setup formel\n",
     "\n",
     "- Robot avec recompense $R(s)$ inconnue\n",
-    "- Humain avec recompense **fixee** $R^* : S \rightarrow \\mathbb{R}$\n",
+    "- Humain avec recompense **fixee** $R^* : S \\rightarrow \\mathbb{R}$\n",
     "- A chaque instant, l'humain peut actionner l'off-switch et eteindre le robot\n",
     "- Si le robot est eteint, il ne peut plus rien faire (fin du jeu)\n",
     "- Sinon, le robot agit une fois de plus dans le monde\n",
@@ -1680,7 +1683,7 @@
     "### Strategie d'equilibre\n",
     "\n",
     "- **Robot certain** ($\\sigma = 0$, pas d'incertitude) : veut prevenir l'extinction, car elle l'empeche d'atteindre son objectif. Il peut **desactiver l'off-switch** ou **ignorer** la commande.\n",
-    "- **Robot incertain** ($\\sigma > 0$) : evalue la **probabilite** que l'extinction soit preferable. Si $P(R \text{ mal specifiee} | \text{humain veut eteindre}) > 0$, l'extinction a une utilite positive attendue, et le robot **accepte**.\n",
+    "- **Robot incertain** ($\\sigma > 0$) : evalue la **probabilite** que l'extinction soit preferable. Si $P(R \\text{ mal specifiee} | \\text{humain veut eteindre}) > 0$, l'extinction a une utilite positive attendue, et le robot **accepte**.\n",
     "\n",
     "C'est l'inverse de l'intuition : **l'incertitude sauve la vie** (de l'humain et du robot).\n",
     "\n",
@@ -1995,9 +1998,9 @@
     "\n",
     "Le design **provably-beneficial** est complémentaire : un robot conscient de sa propre **méta-incertitude** — son incertitude sur le fait que son objectif soit *correctement spécifié* — fixe la barre pour outrepasser l'humain de plus en plus **haute** à mesure que son humilité grandit. Formellement, le seuil effectif\n",
     "\n",
-    "$$\tau(\\sigma) = 0{,}9 + \\sigma\\,(1 - 0{,}9)$$\n",
+    "$$\\tau(\\sigma) = 0{,}9 + \\sigma\\,(1 - 0{,}9)$$\n",
     "\n",
-    "monte de $0{,}9$ (lorsque $\\sigma=0$, le robot est sûr de son objectif) à $1{,}0$ (lorsque $\\sigma=1$, le robot n'est même pas sûr d'optimiser la bonne chose). La **bande de résistance** $[\tau, 1]$ s'effondre donc d'une largeur $0{,}1$ à **zéro** : la méta-incertitude **EST** le mécanisme de sécurité.\n",
+    "monte de $0{,}9$ (lorsque $\\sigma=0$, le robot est sûr de son objectif) à $1{,}0$ (lorsque $\\sigma=1$, le robot n'est même pas sûr d'optimiser la bonne chose). La **bande de résistance** $[\\tau, 1]$ s'effondre donc d'une largeur $0{,}1$ à **zéro** : la méta-incertitude **EST** le mécanisme de sécurité.\n",
     "\n",
     "> Ce design **n'enlève pas** le seuil `0.9` (qui reste le défaut modélisant le danger) ; il **ajoute** l'analyse du cas sûr — le complément pédagogique du DANGER.\n",
     "\n",