Titre : Apprentissage d'Žquilibre dans les jeux de potentiel bruitŽs Exposant : Pierre Coucheney RŽsumŽ : Les jeux de potentiels forment une classe de jeux partageant des propriŽtŽs trs fortes: (i) l'existence d'Žquilibre de Nash y est assurŽe, (ii) la plupart des algorithmes d'apprentissage "raisonnables" convergent vers l'un de ces Žquilibres. NŽanmoins, parmi les algorithmes n'utilisant qu'une information rŽduite sur le jeu, et ds lors que les gains du jeu sont bruitŽes, cette convergence n'est plus garantie. L'exposŽ s'attachera d'abord ˆ montrer les liens entre les jeux de potentiel finis et l'optimisation distribuŽe dans les jeux de routage en gŽnŽral, et dans des problmes plus spŽcifiques relatifs aux rŽseaux sans fil. Dans la suite, je prŽsenterai deux types d'algorithmes de meilleure rŽponse: un algorithme stochastique Žvoluant sur l'ensemble fini des actions du jeu, et une classe d'algorithmes reposant sur l'approximation stochastique de dynamiques continues. Aprs avoir comparŽ les propriŽtŽs de convergence de chaque dans le cadre des jeux de potentiel bruitŽs, je montrerai que les algorithmes continus peuvent tre dŽrivŽs de l'algorithme de meilleure rŽponse discret en utilisant le gain total des joueurs dans le temps avec un taux d'actualisation.