fix(citations,#11168): rescan delta 2026-09-16 — 13 IDs verifies, 4 corrections (1 ID-fantome, 1 titre faux)

MyIA.AI.Notebooks/GameTheory/GameTheory-06e-Open-Source-Game-Theory.ipynb

@@ -45,7 +45,7 @@
     "- **Shoham & Leyton-Brown**, *Multiagent Systems: Algorithmic, Game-Theoretic, and Logical Foundations* (Cambridge University Press, 2009), chapitre **§3.4.2 « Iterated Dominance and the Prisoner's Dilemma »**. C'est la référence pour la paramétrisation canonique du Dilemme du prisonnier `(T=5, R=3, P=1, S=0)` et la condition `2R > T + S` qui distingue un PD **strict** d'un jeu à alternance (cf. exercice 3 de Shoham-Leyton-Brown §3.4).\n",
     "- **Osborne**, *An Introduction to Game Theory* (Oxford University Press, 2004), chapitre **§3.2 « Strictly Dominant Strategies »**. La dominance stricte de `D` sur `C` pour les deux joueurs — peu importe l'action de l'adversaire — établit `(D, D)` comme équilibre de Nash **unique** en stratégies pures.\n",
     "- **Axelrod & Hamilton**, « The Evolution of Cooperation » (*Science*, vol. 211, n° 4489, 1981, pp. 1390-1396). Cité pour `TitForTat` (Axelrod, 1980) dans le contexte des jeux répétés. `TitForTat` n'est **pas** implémenté dans le moteur du présent notebook — il figure en exercice 1 pour situer la transparence des programmes par rapport à la littérature des stratégies itérées.\n",
-    "- **Critch, Dennis & Russell**, « Reflective Probabilistic Programs » (2022, [arXiv:2208.07006](https://arxiv.org/abs/2208.07006)), **§3 « Inspection games »** et **Open Problem 3** (p. 18). C'est la référence canonique pour les définitions de `DUPOC(k)` (*Do-Unto-Other-Player with Probability k of Cooperation*) et `CUPOD(k)` (*Cooperate-Unless-Player-is-Defecting*) dans le cadre de l'inspection mutuelle de programmes. **Open Problem 3** pose la conjecture sur le comportement asymptotique de `DUPOC(k)` vs `CUPOD(k)` au-delà de quelques itérations ; ce notebook l'illustre mais ne la résout pas (cf. cellule 26).\n",
+    "- **Critch, Dennis & Russell**, « Cooperative and uncooperative institution designs: Surprises and problems in open-source game theory » (2022, [arXiv:2208.07006](https://arxiv.org/abs/2208.07006)), **§3 « Inspection games »** et **Open Problem 3** (p. 18). C'est la référence canonique pour les définitions de `DUPOC(k)` (*Do-Unto-Other-Player with Probability k of Cooperation*) et `CUPOD(k)` (*Cooperate-Unless-Player-is-Defecting*) dans le cadre de l'inspection mutuelle de programmes. **Open Problem 3** pose la conjecture sur le comportement asymptotique de `DUPOC(k)` vs `CUPOD(k)` au-delà de quelques itérations ; ce notebook l'illustre mais ne la résout pas (cf. cellule 26).\n",
     "\n",
     "- **Aumann**, « Subjectivity and Correlation in Probabilistic * Strategic Settings » (1974, [pdf IJGT 1(2): 67-96](https://link.springer.com/article/10.1007/BF01755010)) et « Correlated Equilibrium as an Expression of Bayesian Rationality » (1987, *Econometrica* 55(1): 1-18). Fonde le concept d'**equilibre correle** : un mediator public communique aux joueurs des recommandations d'action tirees d'une distribution jointe ; si chaque joueur suit la recommandation *qui lui est adressee*, l'equilibre peut etre strictement meilleur que tout equilibre de Nash. La **transparence des programmes** du present notebook peut etre lue comme un mediator implicite (cf. cellule d'interpretation A ci-apres) : la lecture du source de l'adversaire *est* la recommandation, et l'inspection mutuelle joue le role du signal public.\n",
     "- **Nash**, « Equilibrium Points in *N*-Person Games » (1950, *PNAS* 36(1): 48-49, [pdf](https://www.pnas.org/doi/pdf/10.1073/pnas.36.1.48)). Definit formellement l'**equilibre de Nash** en strategies mixtes pour N joueurs : le point ou aucun joueur n'augmente son gain esperer en unilateralement changer de strategie. Cellule 4 utilise cette definition pour montrer que `(D, D)` reste l'unique equilibre de Nash **en strategies pures** du PD classique `(T=5, R=3, P=1, S=0)`. La transparence des programmes (cellule 5+) sort de ce cadre : les bots ne choisissent plus une strategie mixtee sur l'ensemble des actions pures, ils *lisent le programme adverse* et conditionnent leur action au source.\n",

MyIA.AI.Notebooks/Probas/DecisionTheory/Causal-Bridges/Do-Calculus-Bridge.ipynb

@@ -601,7 +601,7 @@
    "source": [
     "## 8. Causal primitives communes : Pearl, Hoel, et les mesures classiques se ramènent au même vocabulaire\n",
     "\n",
-    "Comolatti & Hoel (2022, *Causal emergence is widespread across measures of causation*, arXiv:2202.04341) montrent que **toutes les mesures majeures de la causalité** se décomposent dans un petit jeu de **primitives causales** communes — et que ces mêmes primitives sont déjà au cœur du couple Pearl/Hoel présenté en §7. C'est le pont formel manquant entre les deux paradigmes.\n",
+    "Comolatti & Hoel (2022, *Causal emergence is widespread across measures of causation*, arXiv:2202.01854) montrent que **toutes les mesures majeures de la causalité** se décomposent dans un petit jeu de **primitives causales** communes — et que ces mêmes primitives sont déjà au cœur du couple Pearl/Hoel présenté en §7. C'est le pont formel manquant entre les deux paradigmes.\n",
     "\n",
     "### 8.1 Les deux primitives (axes orthogonaux)\n",
     "\n",

MyIA.AI.Notebooks/RL/rl_1c_prolog_distillation.ipynb

@@ -43,7 +43,7 @@
     "\n",
     "Ce notebook est une **implémentation indépendante à visée pédagogique**, *inspirée* de :\n",
     "\n",
-    "> E. C. Garrido-Merchan, *From Black Box to Exécutable Logic: Explainable Reinforcement Learning through Prolog Expert Systems*, arXiv:2607.15459 (v2). PDF archivé dans la bibliographie canonique privée du projet -- jamais commité dans ce dépôt public.\n",
+    "> E. C. Garrido-Merchan, *From Black Box to Executable Logic: Explainable Reinforcement Learning through Prolog Expert Systems*, arXiv:2607.15459 (v2). PDF archivé dans la bibliographie canonique privée du projet -- jamais commité dans ce dépôt public.\n",
     "\n",
     "Il **n'est pas** une reproduction :\n",
     "\n",
@@ -2415,7 +2415,7 @@
     "\n",
     "## Références\n",
     "\n",
-    "- E. C. Garrido-Merchan, *From Black Box to Exécutable Logic: Explainable Reinforcement Learning through Prolog Expert Systems*, arXiv:2607.15459 (v2). Implémentation indépendante inspirée de ce travail ; artefact public non localisé au moment de la rédaction.\n",
+    "- E. C. Garrido-Merchan, *From Black Box to Executable Logic: Explainable Reinforcement Learning through Prolog Expert Systems*, arXiv:2607.15459 (v2). Implémentation indépendante inspirée de ce travail ; artefact public non localisé au moment de la rédaction.\n",
     "- S. Ross, G. Gordon, D. Bagnell, *A Reduction of Imitation Learning and Structured Prediction to No-Regret Online Learning* (DAgger), AISTATS 2011.\n",
     "- J. Schulman et al., *Proximal Policy Optimization Algorithms*, arXiv:1707.06347.\n",
     "- Issue #14366 (digestion neuro-symbolique 2026, grain G4) ; notebooks [rl_1_intro_cartpole](rl_1_intro_cartpole.ipynb), [rl_1b_bitwise_logic_synthesis](rl_1b_bitwise_logic_synthesis.ipynb), [rl_6c_ppo_from_scratch](rl_6c_ppo_from_scratch.ipynb)."

MyIA.AI.Notebooks/RL/rlpt_3_reward_hacking.ipynb

@@ -1034,7 +1034,7 @@
     "- **limite méthodologique assumée** : un diagramme ne permet d'affirmer que l'**absence** de buts\n",
     "  instrumentaux (aucun chemin ouvert vers le reward), jamais leur présence.\n",
     "\n",
-    "**Source** : Everitt, Hutter, Kumar & Krakovna (2021), *Reward Tampering Problems and Solutions in\n",
+    "**Source** : Everitt, Hutter, Kumar & Krakovna (2019), *Reward Tampering Problems and Solutions in\n",
     "Reinforcement Learning*, arXiv:1908.04734 — bibliothèque locale :\n",
     "`G:/Mon Drive/MyIA/IA/Bibliographie IA/MachineLearning/2021 - Everitt et al - Reward Tampering Problems and Solutions in Reinforcement Learning.pdf`.\n"
    ]
@@ -1072,7 +1072,7 @@
     "deux échelles.\n",
     "\n",
     "Références : Amodei et al. (2016) *Concrete Problems in AI Safety* ; Goodhart (1975) ; Gao et al.\n",
-    "(2023) *Scaling Laws for Reward Model Overoptimization* ; Everitt et al. (2021) *Reward Tampering\n",
+    "(2023) *Scaling Laws for Reward Model Overoptimization* ; Everitt et al. (2019) *Reward Tampering\n",
     "Problems and Solutions in Reinforcement Learning* (arXiv:1908.04734, section 8 ci-dessus) ; capstone\n",
     "ICT-25 (#5105, PR #11298) ; série #11297 (grain 3/4).\n"
    ],