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.
AUDIO : Traitement du signal pour l’écoute artificielle et la synthèse sonore
Cette action propose un panorama de la recherche scientifique en traitement du signal audio. Elle se polarise selon deux volets complémentaires : l’écoute artificielle et la synthèse sonore.
D’une part, l’écoute artificielle (machine listening) vise à extraire l’information d’un signal audionumérique à la manière du système auditif humain. Elle s’attache donc à offrir une description contextuelle des évènements sonores, au travers de certaines lois cognitives telles le masquage en fréquence ou l’anticipation rythmique. À ce titre, l’intégration de l’écoute artificielle dans un algorithme prend souvent la forme d’un recours à l’apprentissage automatique (machine learning) sur données annotées.
D’autre part, la synthèse sonore vise à calculer de nouveaux sons. Ce faisant, elle tâche de concilier l’impression de réalisme que donnerait une prise de son en direct avec la finesse de contrôle des interfaces gestuelles humain-machine. Par conséquent, la synthèse sonore se nourrit d’échanges avec des disciplines aussi diverses que l’acoustique, la phonétique, la robotique et la réalité virtuelle.
Par cette action, nous entendons faire valoir le rôle-pivot du traitement du signal audionumérique dans la modélisation du son, tel que celui-ci peut-être « écouté » ou « créé » par la machine.
Outre un solide ancrage dans les acquis fondamentaux du traitement du signal, cette action présentera les liens importants avec trois passerelles interdisciplinaires : les sciences cognitives, les sciences de la musique, et la bio-acoustique.
L’action sera composée de 6 journées portant sur les thèmes suivants :
- Méthodes (2022)
- Voix (2022)
- Musique (2023)
- Domaines émergents (scènes domestiques, urbaines et industrielles, éco-acoustique) (2023)
- Synthèse (2024)
- Cognition / concerts (2024)
Organisateurs :
- Mathieu Lagrange
- Vincent Lostanlen
- Thomas Hélie
Structure de journée:
- matin : 2 keynotes
- après-midi : 2 keynotes et posters