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:6174@i2m.univ-amu.fr
DTSTART;TZID=Europe/Paris:20220131T000000
DTEND;TZID=Europe/Paris:20220204T000000
DTSTAMP:20241211T144217Z
URL:https://www.i2m.univ-amu.fr/evenements/logic-of-probabilistic-programm
 ing-thematic-month-2022/
SUMMARY:Conference (CIRM\, Luminy\, Marseille): Logic of Probabilistic Prog
 ramming (Thematic Month 2022)
DESCRIPTION:Conference: \n\n\n\nTHEMATIC MONTH\n\n\n\n\n\n\n\n\n\n Time Sch
 edule \n\n\n\n\n\n Abstracts \n\n\n\n\n\n Participants \n\n\n\n\n\n\n\n\n\
 n\n\n\n\n\n\n\nHYBRID CONFERENCE\n​\nLogic of Probabilistic Programming\
 nLogique de la programmation probabiliste\n31 January - 4 February 2022 \
 n\n\n\n\n\n\n\n\n\n\n\n\n\n\nScientific Committee \nComité scientifique\n
 Ugo Dal Lago (University of Bologna)\nCatuscia Palamidessi (INRIA Saclay)\
 nSam Staton (University of Oxford)\nChristine Tasson (Sorbonne Université
 )\nHongseok Yang (Korea Advanced Institut of Science and Technology)\n\nOr
 ganizing Committee\nComité d'organisation\nMartin Avanzini (INIRIA Sophia
  Antipolis Méditerranée)\nThomas Ehrhard (CNRS\, Université de Paris)\n
 Claudia Faggian (CNRS\, Université de Paris)\n\n\n\n\n\n\n\n\n\n\n\n\n\n\
 nDescription\n\n\n\n\n\n\n\n\n\n\nProbabilities play an increasing role in
  computer science. Important deterministically-intractable problems admit 
 feasible approximate probabilistic solutions. Probabilistic algorithms are
  essential in distributed computing and numerical computing (Monte Carlo m
 ethods)\, not to mention the role of probabilistic methods in deep learnin
 g (stochastic gradient). Linear logic shows quite useful in this setting b
 ecause some of the most basic notions of probability theory are linear: Ma
 rkov chains or kernels\, Bayesian networks etc.\n\nThe general purpose of 
 this week is not only to present the state of the art on the applications 
 of proof theory\, category theory and denotational semantics to the analys
 is of probabilistic programs and to the foundation of probabilistic formal
  methods for program and system verification\, but also to stress the spec
 ificities of Bayesian programming and machine learning where programs repr
 esent statistical models.\n\nThe program of the week is designed for conve
 ying to the non-specialist a coherent picture of this exciting and very ac
 tive area.\n\n\n\n\n\nLes probabilités jouent un rôle croissant en inf
 ormatique. Ainsi\, des problèmes très importants n'acceptent pas de so
 lution déterministe ou seulement des solutions d'une trop grande complex
 ité\, mais deviennent approximativement faisables dans un cadre probabil
 iste. Les algorithmes probabilistes sont aussi essentiels dans les systè
 mes distribués\, en calcul numérique (méthode de Monte Carlo) etc. S
 ans parler du rôle essentiel des méthodes probabilistes en deep learni
 ng (gradient stochastique). La logique linéaire est ici cruciale car cer
 taines des notions les plus fondamentales de la théorie des probabilite
 ́s sont de nature essentiellement linéaire : c'est le cas par exemple d
 es chaînes et des noyaux de Markov et des réseaux bayésiens. L'objec
 tif général de cette semaine est non seulement de présenter l'état
  de l'art sur les applications de la théorie de la démonstration\, de 
 la théorie des catégories et de la sémantique dénotationnelle à 
 l'analyse des programmes probabilistes\, dans la perspective de la mise au
  point de méthodes formelles pour la vérification et la validation des
  programmes et des systèmes\, mais aussi de mettre l'accent sur les spe
 ́cificités de la programmation bayésienne et du machine learning dans
  laquelle les programmes représentent des modèles statistiques. Le pro
 gramme de la semaine est conçu de façon à permettre aux chercheurs n
 on spécialistes ou débutants de se faire une idée aussi cohérente 
 que possible de ce sujet en pleine ébullition.\n\n\n\n\n\n\n\nTopics\n\n
 Semantics of probabilistic programs (operational and denotational)\nBayesi
 an programming\nDifferentiable programming\nQuantitative tools for probabi
 listic systems: probabilistic automata\, bisimulation\, distances\, etc.\n
 Randomised computation and cryptography\nVerification of probabilistic pro
 grams.\n\nTutorial speakers\n\nSemantics and probabilistic programming :\n
 Raphaëlle Crubillé (CNRS\, Marseille)\nOhad Kammar (University of Edimbu
 rgh)\n\nBayesian programming languages :\nBrooks Paige (University College
  London)\nMatthijs Vákár (Utrecht University)\n\nVerification of probabi
 listic systems :\nMarta Kwiatkowska (University of Oxford)\n\nInvited spea
 kers\n\nClaudia Faggian (CNRS\, Université de Paris)\nCameron Freer (MIT)
 \nMarco Gaboardi (Boston University)\nJane Hillston (University of Edinbur
 gh)\nJoost-Pieter Katoen (Aachen University)\nAnnabelle McIver (Macquarie 
 University)\nMichele Pagani (Université de Paris)\nPrakash Panangaden (Mc
 Gill University)\nAlexandra Sliva (Cornwell University)\n
CATEGORIES:Colloque,Hybrid,Mois thématique
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