Le transport optimal pour l’apprentissage machine (par Gabriel PEYRÉ, médaille d’argent 2021 du CNRS) REPORTÉ

Colloquium
FRUMAM, St Charles, Marseille
/agenda/manifestations-scientifiques/colloquium-de-mathematiques-de-marseille-2/

Date(s) : 10/12/2021   iCal
16 h 00 min - 17 h 00 min

Suite aux directives gouvernementales et de la Présidence de l’Université, le colloquium de Gabriel Peyré est reporté à une date ultérieure.

Gabriel PEYRÉ (DMA – CNRS/ENS Paris), médaille d’argent 2021 du CNRS.

Le transport optimal est un outil naturel pour comparer de manière géométrique des distributions de probabilité. Il trouve 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’expliquerai comment tirer parti de techniques de régularisation entropique afin d’approcher de façon rapide le transport optimal et de réduire l’impact de la dimension sur le nombre d’échantillons nécessaires. Plus d’informations et de références peuvent être trouvées sur le site de notre livre “Computational Optimal Transport” https://optimaltransport.github.io/

The optimal transport for machine learning.

Optimal transport is a natural tool for geometrically comparing probability distributions. It has applications for both supervised learning (for classification) 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 regularization 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.github.io/

Computational Optimal Transport : Dynamical Unbalanced OT (arXiv 1803.00567, page 109)

 

Emplacement
FRUMAM, St Charles

Catégories



Retour en haut