L'état actuel de l'art dans le domaine de l'apprentissage automatique (ML) et de l'inférence statistique repose fortement sur des principes qui défient la pensée statistique traditionnelle, tels que la surparamétrisation élevée dans l'apprentissage profond et l'optimisation non convexe sur des paysages de haute dimension à l'aide de la descente stochastique. Il est donc nécessaire d'étudier des régimes statistiques précédemment inexplorés où les résultats classiques ne s'appliquent pas afin de mieux comprendre ces pratiques nouvelles et importantes. En conséquence, des approches théoriques innovantes ont émergé, notamment grâce à des collaborations interdisciplinaires, parmi lesquelles celles basées sur les statistiques en haute dimension, la théorie des matrices aléatoires et la physique mathématique occupent une place prépondérante. Ce trimestre thématique vise donc à favoriser l'interaction entre les chercheurs de plusieurs communautés travaillant dans ce domaine émergent et en développement rapide, ainsi qu'à fournir aux jeunes chercheurs et étudiants des opportunités d'acquérir des connaissances sur ces nouvelles approches théoriques de ML et d'inférence statistique qui joueront un rôle majeur dans l'avenir de ces disciplines.
Personnel de l'organisation
- Henrique Goulart (IRIT/Toulouse INP)
- Vanessa Kientz (CEA List)
- Vincent Lahoche (CEA List)
- Xiaoyi Mai (IMT/UT2J)
- Mohamed Tamaazousti (Liste du CEA)
- Matthieu Jonckheere (LAAS), pour l'atelier
Trimestre thématique CIMI
Institut de Mathématiques de Toulouse (IMT)
Amphithéâtre Laurent Schwartz (bâtiment 1R3)
Université Paul Sabatier
118 route de Narbonne
Toulouse, France
Un colloque d'ouverture sur les développements récents et les défis de l'inférence statistique en haute dimension et de l'apprentissage automatique se tiendra le 11 septembre 2024, de 15h à 17h (+ cocktail).
Intervenants : Lenka Zdeborovà (EPFL, Suisse) et Andrea Montanari (Stanford U., USA)
École thématique : Optimisation et algorithmes pour l'apprentissage automatique et l'inférence en haute dimension
Cette école thématique propose des mini-cours sur l'étude des paysages d'optimisation (aléatoire) en haute dimension, sur la dynamique des algorithmes d'optimisation en haute dimension, sur les algorithmes de passage de messages approximatifs, et sur des sujets connexes.
Liste des intervenants et des sujets :
- François Malgouyres - Paysages d'optimisation non-convexes
- Edouard Pauwels - Optimisation pour l'apprentissage automatique
- Valentina Ros - Paysages d'optimisation aléatoires de haute dimension
- Cynthia Rush - Algorithme de passage de message approximatif (AMP)
- (Conférencier à confirmer) - Optimisation sur des régimes surparamétrés
École thématique : Modèles et méthodes pour l'apprentissage automatique et l'inférence en haute dimension
Cette école thématique propose des mini-cours sur les outils et techniques pour l'analyse des modèles de haute dimension en inférence statistique et apprentissage automatique.
Liste des intervenants et des sujets :
- Gérard Ben Arous - TBA
- Florent Krzakala (à confirmer) - Méthode des répliques
- Marc Lelarge - Physique statistique et inférence
- Alexander S.Wein - Modèles tensoriels
- Zhenyu Liao - Outils de la théorie des matrices aléatoires pour l'apprentissage automatique et l'inférence
Workshop : Recent developments beyond classical regimes in statistical learning
Cet atelier se concentre sur les résultats récents de l'apprentissage automatique en haute dimension (supervisé et non supervisé) et de l'inférence statistique. Il comprendra notamment une table ronde avec des experts de premier plan dans ce domaine sur les principaux problèmes ouverts dans ce domaine et sur les tendances prometteuses et les développements récents.
*Atelier co-organisé avec le semestre thématique du CIMI « Contrôle stochastique et apprentissage pour les réseaux complexes »
Liste des orateurs confirmés (d'autres orateurs seront bientôt annoncés) :
- Lenka Zdeborová (EPFL, Suisse) : keynote speaker
- Jean Barbier (ICTP, Italie)
- Giulio Biroli (ENS, France)
- Zhou Fan (Yale U., USA)
- Yan Fyodorov (KCL, Royaume-Uni)
- Daniel Hsu (Columbia U., USA)
- Aukosh Jagannath (Waterloo U., Canada)
- Jonathan P. Keating (Oxford U., UK)
- Marc Lelarge (ENS, France)
- Bruno Loureiro (ENS, France)
- Valentina Ros (Paris-Saclay U., France)
- Subhabrata Sen (Harvard U., USA)
- Pragya Sur (Harvard U., USA)
- Christos Thrampoulidis (British Columbia U., Canada)
- Pierfrancesco Urbani (IPHT, France)
- Yizhe Zhu (California Irvine U., USA)