Inference de grande dimension par optimisation convexe
DESCRIPTION
Nous nous concentrons sur de nouvelles techniques solides sur le plan théorique et informatique pour une large classe de problèmes statistiques grâce à un nouveau cadre "opérationnel" pour l'analyse des routines inférentielles qui repose sur une utilisation étendue de la méthodologie impliquée dans le développement de l'optimisation moderne.
Notre programme de recherche comprend, sans s'y limiter
la conception de routines de test efficaces avec des applications au diagnostic à partir de données hétérogènes
nouvelles méthodes de récupération de signaux à partir d'observations non linéaires avec application à la classification et à l'identification et problèmes inverses pour les EDP non linéaires
optimisation stochastique utilisant des observations indirectes (par exemple, des données protégées)
la conception de procédures robustes en mettant l'accent sur les techniques adaptatives itératives (contradictoires)
mise en œuvre algorithmique en ligne à grande échelle de routines d'inférence
techniques adaptatives pour l'inférence de réseaux à partir de données multi-capteurs, application à l'identification de la dynamique temporelle dans les données biomédicales, méthodes d'optimisation (stochastiques) permettant une utilisation efficace des données en continu, ...
ACTIVITÉS
La chaire avec les entreprises françaises BioMérieux et ST Microelectronics dans le cadre de la co-direction de deux doctorats CIFRE. Nous poursuivons nos collaborations existantes avec chaire « MAGNET » chaire grâce à l'adhésion conjointe d'E. Devijver), ainsi qu'avec chaires More Data Efficiency in Machine Learning » et « Optimization & Learning ». De nouvelles collaborations ont été mises en place avec l'ENSAE-CREST dans le cadre de la co-direction de projets de doctorat.
- Routines statistiques efficaces motivées par l'optimisation convexe
- Algorithmes d'optimisation stochastique et déterministe
- Identification de systèmes stochastiques et analyse de séries temporelles
- Inférence causale et fonctionnelle des données, apprentissage semi-supervisé et non supervisé
- Collaborations interdisciplinaires, notamment dans le domaine des soins de santé et de la conception de circuits électroniques
Partager le lienCopierCopiéFermer la fenêtre modalePartager l'URL de cette pageJe recommande :Consultable à cette adresse :La page sera alors accessible depuis votre menu "Mes favoris".Arrêter la vidéoLire la vidéoCouper le sonLire l'audioChat : Une question ?Chatbot Robo FabricaStatistiques de trafic MatomoX (anciennement Twitter)
