APPEL CLÔTURÉ !

Dans le cadre de ce workshop, les participant(e)s sont invité(e)s à soumettre un résumé détaillé pour une possible présentation orale ou présentation d’un poster. Lors du processus de sélection, le comité est très attentif à donner la meilleure visibilité possible aux doctorantes, chercheuses ou enseignantes-chercheuses. Lors du dépôt de demande par mail (maths-ia@inria.fr), merci d'indiquer les éléments suivants : nom/prénom, institution, statut, titre/abstract.

Date limite pour candidater : 20 février 2025.

Une aide financière pour la mission pourra être accordée par le comité sur demande motivée.

La journée “Fondements Mathématiques de l’IA”, organisée conjointement par l'Institut DATAIA et SCAI, en association avec les sociétés scientifiques : la Fondation Mathématique Jacques Hadamard (FMJH), la Fondation Sciences Mathématiques de Paris-FSMP, le groupe MALIA de la Société Française de Statistique, la Société Savante Francophone d'Apprentissage Machine (SSFAM) et le Research network on Uncertainty Quantification (RT-UQ) vise à proposer un panorama de quelques directions de recherche prometteuses à l’interface entre l’apprentissage statistique et l’IA.

Cette nouvelle édition sera consacrée à la quantification d'incertitudes en IA. La journée est consacrée à trois exposés pléniers donnés par des chercheurs renommés et spécialistes du sujet : Radu Stoica (Inria Nancy, Institut Elie Cartan de Lorraine), Pietro Congedo (Inria Saclay, CMAP) et Yingzhen Li (Imperial College London, UK) Elle est aussi l'opportunité pour de jeunes chercheurs de présenter leurs travaux via des exposés courts (voir l'appel à contributions).

Comité d'organisation

• Marianne Clausel (Univ. Lorraine)
• Emilie Chouzenoux (INRIA Saclay, Institut DATAIA)

Comité scientifique

• Ricardo Borsoi (CNRS, CRAN)
• Stéphane Chrétien (Univ. Lyon 2)
• Sylvain Le Corff (Sorbonne Université)
• Myriam Tami (CentraleSupélec)

• 9h - 10h | Keynote 1 : Radu Stoica (Inria Nancy, Institut Elie Cartan de Lorraine)

Random structures and patterns in spatial data
through marked point processes with interactions

Résumé : les informations utiles contenues dans les données spatio-temporelles sont souvent représentées par des structures et des motifs géométriques. structures et motifs géométriques. Les filaments ou amas de galaxies dans notre univers en sont un exemple. Les filaments ou amas de galaxies dans notre univers en sont un exemple. Deux situations doivent être prises en compte. Premièrement, le motif intéressant est caché dans l'ensemble des données, et il doit donc être détecté. Deuxièmement, la structure d'intérêt est observée, et il convient donc de la caractériser de manière pertinente. La modélisation probabiliste et l'inférence statistique bayésienne sont des approches qui peuvent apporter des réponses à ces questions. Cet exposé présente l'utilisation de processus ponctuels marqués pour la détection et la caractérisation de telles structures. Des processus ponctuels marqués avec des interactions sont utilisés pour modéliser le modèle d'intérêt. Les modèles proposés sont bien définis et localement stables. En fonction du modèle, des algorithmes de Monte Carlo et des algorithmes exacts sont discutés pour simuler les modèles proposés. Sur la base de ces ingrédients, une optimisation globale et un algorithme d'échantillonnage a posteriori sont présentés pour détecter et caractériser le modèle d'intérêt, respectivement.  Des exemples d'application en astronomie et en sciences de l'environnement sont également présentés.

Biographie : Radu S. Stoica est professeur titulaire de mathématiques à l'université de Lorraine (France). Ses recherches combinent la géométrie stochastique, les statistiques spatiales et l'inférence bayésienne pour la modélisation probabiliste et la description statistique de structures et de modèles aléatoires. Les résultats de ses travaux consistent en des méthodes adaptées aux données, basées sur des modèles de Gibbs-Markov, des algorithmes de Monte Carlo et des procédures d'inférence, capables de caractériser et de détecter des structures et des modèles qui sont soit cachés, soit directement observés dans les données. Les domaines d'application abordés sont : l'astronomie, les géosciences, l'analyse d'images et les sciences des réseaux. Avant d'occuper son poste actuel, Radu Stoica était professeur associé à l'université de Lille (France). Il a également travaillé comme chercheur à l'INRAe d'Avignon (France), à l'université Jaume I (Espagne) et au CWI d'Amsterdam (Pays-Bas).

• 10h - 10h30 | Pause café

• 10h30 - 11h30 | Keynote 2 : Pietro Congedo (Inria Saclay, CMAP)

Uncertainty Quantification in scientific computing:
A machine learning perspective

Résumé : La quantification des incertitudes (QI) en informatique scientifique vise à analyser rigoureusement et à atténuer l'impact des incertitudes dans les modèles mathématiques et les simulations. Ses objectifs comprennent l'identification, la propagation et la réduction des incertitudes provenant de diverses sources telles que les entrées de modèles, les paramètres et les observations afin d'évaluer leur influence sur les résultats des calculs. L'intégration de l'apprentissage automatique dans ce contexte a ouvert de nouvelles possibilités, conduisant à des avancées substantielles. Cependant, elle présente également des défis importants, en particulier en ce qui concerne l'utilisation, l'interprétation et la fiabilité. Dans cet exposé, nous commençons par passer en revue les directions les plus prometteuses pour le développement en revisitant les tâches principales de l'UQ, allant de la propagation vers l'avant aux problèmes d'étalonnage. Ensuite, nous démontrons comment concevoir un schéma numérique hybride qui associe un solveur traditionnel de dynamique des fluides à un réseau neuronal pour approximer les réactions chimiques. Cette approche exploite les forces des réseaux neuronaux, notamment leur précision, leurs capacités de réduction de la dimensionnalité dans les contextes de données volumineuses et leur efficacité de calcul due à leur structure matrice-vecteur, ce qui se traduit par des facteurs d'accélération significatifs. Nous appliquons ce schéma hybride rentable aux simulations de rentrée hypersonique. Enfin, nous illustrons comment l'incertitude du modèle peut être réduite grâce à des stratégies de calibration et d'apprentissage actif, en présentant des exemples concrets d'applications aérospatiales.

Biographie : Pietro Marco Congedo est directeur de recherche Inria au Centre de mathématiques appliquées de l'École polytechnique, chef de l'équipe-projet Inria PLATON (en collaboration avec l'École polytechnique et le CNRS) et directeur scientifique du Joint CWI-Inria International Lab. Il est diplômé avec mention en ingénierie des matériaux de l'université de Lecce (Italie). Après une maîtrise en mécanique des fluides aux Arts et Métiers (Paris, France), il a obtenu son doctorat en systèmes énergétiques à l'université de Lecce en 2007. Il possède une vaste expérience dans la quantification de l'incertitude et les méthodes d'optimisation robustes pour le calcul scientifique, avec des applications dans l'aéronautique, l'hypersonique et les écoulements de gaz réels. Il a participé à plusieurs projets Horizon Europe et CleanSky, ainsi qu'à d'importantes collaborations industrielles.

• 11h30 - 12h15 | Short contributive talks (20mn)

• 12h15 - 13h45 | Pause déjeuner

• 13h45 - 14h45 | Keynote 3 : Yingzhen Li (Imperial College London, UK)

• 14h45 - 15h30 | Pause goûter

• 15h30 - 17h | Short contributive talks (20mn)