Actions

De façon plus ciblée, afin de mettre des coups de projecteur sur des points saillants, des actions spécifiques sont menées autour de trois thématiques. Par ces actions, le Thème A s’engage à assurer l’organisation régulière de journées dédiées à ces thématiques.

Transport optimal

Animateur(s) : Rémi Flamary (MCF 61, Laboratoire Lagrange).

Le transport optimal a été formulé par Gaspard Monge au 18e siècle et a connu de grandes avancées théoriques, notamment médiatisées par les travaux de Cédric Villani. Il s’agit d’optimiser le coût de transport depuis un ensemble de sources vers des consommateurs. Ce problème très ancien a connu plusieurs révolutions successives.

Très récemment, le transport optimal et les distances associées connues sous le nom d’EMD (pour Earth Mover’s Distance) dans la communauté de la vision par ordinateur, ont connu un essor certain avec les méthodes de régularisation, notamment entropique, du plan de transport, permettant de calculer rapidement des plans de transports « lissés » pour des données de grandes dimensions. Dès lors, ils tendent à devenir des outils standards pour le traitement de données et on peut maintenant anticiper le fait que ces techniques joueront prochainement un rôle important dans la résolution de problèmes inverses difficiles en imagerie (petite dimension) mais aussi en Machine Learning (grande dimension).

Simulation pour les problèmes de grande taille

Animateur(s) : François Septier (MCF, laboratoire CRIStAL) et Sylvain Le Corff (CR CNRS, LMO).

L’objectif de cette Action est de développer de nouvelles méthodologies permettant de résoudre les problèmes posés par l’analyse de grands jeux de données et de données de très grande dimension. L’organisation de journées thématiques dédiées aux méthodes de Monte Carlo, aux algorithmes stochastiques ainsi qu’à l’optimisation numérique favorisera les interactions et les collaborations entre chercheurs afin d’améliorer la maîtrise des coûts nécessaires à l’étude de systèmes dynamiques complexes. L’un des enjeux majeurs est la mise en place d’algorithmes permettant une exploration efficace de l’espace d’état et dont la vitesse de convergence peut être contrôlée en fonction de la dimension du problème considéré.

Modélisation et optimisation à l’interface signal/apprentissage

Animateur(s) : Valentin Emiya (MCF, LIF), Caroline Chaux (CR CNRS, I2M), Konstantin Usevich (CR CNRS, CRAN).

Le traitement du signal et l’apprentissage ont en commun un grand nombre de fondamentaux, dont des modèles et méthodes d’optimisation. Les objectifs scientifiques de cette action sont de dégager ces objets d’intérêt pour les deux disciplines, de faire ressortir leurs points de convergence, au-delà des différences de formalisme ; de s’intéresser aux contextes et histoires respectifs ; de confronter l’originalité des développements dans chaque discipline.

Cet espace de rencontre entre les deux communautés signal/apprentissage favorisera en particulier l’émergence de travaux à l’interface des deux disciplines et permettra à la communauté du traitement du signal de se positionner scientifiquement par rapport aux avancées en apprentissage automatique. L’action, portée également par le Thème transverse Apprentissage, se concrétisera par l’organisation de journées scientifiques sur des thèmes d’interface tels que l’optimisation, les modélisations statistiques, la factorisation de matrices et tenseurs, le traitement de séquences spatio-temporelles.

Les commentaires sont clos.