Institut de Mathématiques de Marseille, UMR 7373




Rechercher


Accueil >

27 février 2017: 5 événements

Séminaire

  • Agenda ERC IChaos

    Du 1er février au 31 mai - Stage à l'I2M (ERC IChaos) dans le cadre de sa thèse - Bourse HSE Moscou

    Dmitry ZUBOV

    Résumé : Les mesures finiment additives sur les foliations invariantes de diffeomorphismes hyperboliques"

    Lieu : Institut de Mathématiques - Marseille

    Exporter cet événement

En savoir plus : Agenda ERC IChaos

  • Séminaire Analyse et Géométrie

    Lundi 27 février 10:00-11:00 - Rachid ZAROUF - I2M, Marseille

    Séminaire Analyse et Géométrie (TBA)

    Résumé : Reporté au 20 mars

    Lieu : CMI, salle de séminaire R164

    Exporter cet événement
    Document(s) associé(s) :

    En savoir plus : Séminaire Analyse et Géométrie

  • Séminaire Statistiques

    Lundi 27 février 14:00-15:00 - Ilaria GIULINI - INRIA Saclay

    Kernel spectral clustering

    Résumé : We consider the setting of performing spectral clustering in a Hilbert space. We show how spectral clustering, coupled with some preliminary change of representation in a reproducing kernel Hilbert space, can bring down the representation of classes to a low-dimensional space and we propose a new algorithm for spectral clustering that automatically estimates the number of classes.

    JPEG - 12.4 ko
    Ilaria GIULINI

    Lieu : FRUMAM, salle séminaire 2ème étage

    Exporter cet événement
    Document(s) associé(s) :

    En savoir plus : Séminaire Statistiques

  • Séminaire Géométrie, Dynamique et Topologie (GDT)

    Lundi 27 février 14:00-15:00 - Federico LO BIANCO - Université de Rennes

    Dynamique des automorphismes des surfaces complexes et des variété symplectiques irréductibles

    Résumé : La dynamique des automorphismes (et, plus généralement, des applications birationnelles) des surfaces complexes projectives (ou compactes k\"ahleriennes) est maintenant plutôt bien comprise. On peut par exemple s’intéresser à la question si la dynamique d’un tel automorphisme est décomposable, au sens où il préserve une fibration ; il se trouve que $f$ préserve une fibration si et seulement si son entropie topologique est nulle, ce qui se traduit en une condition sur son action en cohomologie.
    Les variétés symplectiques irréductibles sont une généralisation en dimension supérieure des surfaces $K3$, et forment l’un des blocs fondamentaux des variétés à classe de Chern nulle ; si $X$ est une telle variété, il est possible de définir une forme quadratique sur $H^2(X,\mathbb Z)$, qui ressemble formellement à la forme d’intersection d’une surface. Cela fait bien espérer de pouvoir étendre des résultats sur la dynamique des surfaces aux variétés symplectiques irréductibles : effectivement j’ai montré que, si une transformation birationnelle $f$ de $X$ préserve une fibration méromorphe non-triviale, alors elle a entropie nulle. En particulier, cela implique que si $f$ a entropie positive, son orbite générale est Zariski-dense et il n’y a qu’un nombre fini d’hypersurfaces périodiques.
    Dans mon exposé je vais introduire la situation des surfaces et les liens avec les variétés symplectiques, et je vais donner des éléments de la preuve.

    JPEG - 4.5 ko
    Federico LO BIANCO

    Lieu : CMI, salle de séminaire R164

    Exporter cet événement
    Document(s) associé(s) :

    En savoir plus : Séminaire Géométrie, Dynamique et Topologie (GDT)

  • Séminaire Statistiques

    Lundi 27 février 15:30-16:30 - Michael PERROT - Université Jean Monnet (Saint-Étienne)

    Learning Metrics with Controlled Behaviour

    Résumé : The goal in Machine Learning is to acquire new knowledge from data. To achieve this many algorithms make use of a notion of distance or similarity between examples. A very representative example is the nearest neighbour classifier which is based on the idea that two similar examples should share the same label : it thus critically depends on the notion of metric considered. Depending on the task at hand these metrics should have different properties but manually choosing an adapted comparison function can be tedious and difficult. The idea behind Metric Learning is to automatically tailor such metrics to the problem at hand.
    One of the main limitation of standard methods is that the control over the behaviour of the learned metrics is often limited. In this talk I will present two approaches specifically designed to overcome this problem. In the first one we consider a general framework able to take into account a reference metric acting as a guide for the learned metric. We are then interested in theoretically studying the interest of using such side information. In the second approach we propose to control the underlying transformation of the learned metric. Specifically we use some recent advances in the field of Optimal Transport to force it to follow a particular geometrical transformation.

    Lieu : FRUMAM, salle séminaire 2ème étage

    Exporter cet événement

    En savoir plus : Séminaire Statistiques

  • 27 février 2017: 2 événements

    Manifestation scientifique