BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//wp-events-plugin.com//7.2.3.1//EN
TZID:Europe/Paris
X-WR-TIMEZONE:Europe/Paris
BEGIN:VEVENT
UID:6220@i2m.univ-amu.fr
DTSTART;TZID=Europe/Paris:20211210T160000
DTEND;TZID=Europe/Paris:20211210T170000
DTSTAMP:20241120T200938Z
URL:https://www.i2m.univ-amu.fr/evenements/le-transport-optimal-pour-lappr
 entissage-machine-par-gabriel-peyre-medaille-dargent-2021-du-cnrs-reporte/
SUMMARY:Colloquium (FRUMAM\, St Charles\, Marseille): Le transport optimal 
 pour l'apprentissage machine  (par Gabriel PEYRÉ\, médaille d’argent 2
 021 du CNRS) REPORTÉ
DESCRIPTION:Colloquium: Suite aux directives gouvernementales et de la Pré
 sidence de l'Université\, le colloquium de Gabriel Peyré est reporté à
  une date ultérieure.\n\nGabriel PEYRÉ (DMA - CNRS/ENS Paris)\, médaill
 e d'argent 2021 du CNRS.\nLe transport optimal est un outil naturel pour c
 omparer de manière géométrique des distributions de probabilité. Il tr
 ouve des applications à la fois pour l'apprentissage supervisé (pour la 
 classification) et non supervisé (pour entrainer des réseaux de neurones
  génératifs). Le transport optimal souffre cependant de la "malédiction
  de la dimension"\, le nombre d'échantillons nécessaires pouvant croitre
  exponentiellement vite avec la dimension. Dans cet exposé\, j'expliquera
 i comment tirer parti de techniques de régularisation entropique afin d'a
 pprocher de façon rapide le transport optimal et de réduire l'impact de 
 la dimension sur le nombre d'échantillons nécessaires. Plus d'informatio
 ns et de références peuvent être trouvées sur le site de notre livre "
 Computational Optimal Transport" https://optimaltransport.github.io/\n[su_
 spacer size="10"]\n\nThe optimal transport for machine learning.\nOptimal 
 transport is a natural tool for geometrically comparing probability distri
 butions. It has applications for both supervised learning (for classificat
 ion) and unsupervised learning (for training generative neural networks). 
 However\, optimal transport suffers from the "curse of dimension"\, as the
  number of samples required can grow exponentially fast with dimension. In
  this talk\, I will explain how to take advantage of entropy regularizatio
 n techniques in order to quickly approach the optimal transport and reduce
  the impact of dimension on the number of samples needed. More information
  and references can be found on our book site https://optimaltransport.git
 hub.io/\n[su_spacer size="10"]\n\n\n\n\n\n\n\n\n\nComputational Optimal Tr
 ansport : Dynamical Unbalanced OT (arXiv 1803.00567\, page 109)\n\n\n\n\n&
 nbsp\;
ATTACH;FMTTYPE=image/jpeg:https://www.i2m.univ-amu.fr/wp-content/uploads/2
 020/01/Gabriel_Peyre.jpg
CATEGORIES:Colloquium,Manifestation scientifique,Mathématiques de
 Marseille
LOCATION:St Charles - FRUMAM\, 3\, place Victor Hugo\, Marseille\, 13003\, 
 France
X-APPLE-STRUCTURED-LOCATION;VALUE=URI;X-ADDRESS=3\, place Victor Hugo\, Mar
 seille\, 13003\, France;X-APPLE-RADIUS=100;X-TITLE=St Charles - FRUMAM:geo
 :0,0
END:VEVENT
BEGIN:VTIMEZONE
TZID:Europe/Paris
X-LIC-LOCATION:Europe/Paris
BEGIN:STANDARD
DTSTART:20211031T020000
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
END:STANDARD
END:VTIMEZONE
END:VCALENDAR