Campus Haute-Borne
50 Avenue Halley
,
59 658 Villeneuve d'Ascq
L'échantillonnage est l'acte fondamental consistant à résumer un grand ensemble d'éléments (éventuellement infini) par un petit nombre de ces éléments, appelé échantillon.
Par exemple, face à un ensemble de données où chaque individu est décrit par un nombre intraitable de caractéristiques, les statisticiens ne conservent parfois que les caractéristiques les plus informatives dans leur ensemble de données. Dans ce cas, les éléments sont des colonnes dans une matrice de graisse, et un échantillon est un petit ensemble d'indices de colonnes.
Autre exemple, en intégration numérique, on résume une fonction par un nombre fini d'évaluations de cette fonction, qui sont ensuite combinées pour estimer son intégrale. Dans ce deuxième exemple, l'ensemble de base est la fonction, une collection infinie de paires d'entrées-sorties, et l'échantillon est le petit ensemble d'évaluations de la fonction.
Rémi Bardenet s'intéresse à l'échantillonnage aléatoire, c'est-à-dire aux algorithmes d'échantillonnage qui sont décrits par le tirage d'une distribution de probabilité sur des sous-ensembles d'éléments. L'intégration de Monte Carlo, par exemple, est l'étude de l'intégration numérique aléatoire. Alors que de nombreux algorithmes fondamentaux d'échantillonnage aléatoire tirent des éléments indépendamment les uns des autres, il s'intéresse aux distributions d'échantillonnage où les éléments individuels sont échantillonnés *conjointement*, avec la contrainte que l'échantillon résultant soit aussi diversifié que possible.
Dans cet exposé, le chercheur en intelligence artificielle présentera quelques problèmes d'échantillonnage pour lesquels il a été possible de transformer une notion naturelle de diversité en un algorithme d'échantillonnage qui est à la fois calculable et doté de garanties de performance statistique de pointe.
« En quelques mots, j'ai obtenu mon doctorat en novembre 2012 à l'Université Paris-Sud, en France, en travaillant avec Balázs Kégl sur les méthodes de Monte Carlo et l'optimisation bayésienne, appliquées à la physique des particules et à l'apprentissage automatique. J'ai notamment été membre de la collaboration Pierre Auger.
J'ai ensuite rejoint le groupe de Chris Holmes à l'Université d'Oxford, au Royaume-Uni, pour travailler en tant que postdoc sur la méthode de Monte Carlo par chaîne de Markov pour les données de grande taille. Depuis, je travaille également sur les applications à la biologie computationnelle au sein du réseau scientifique 2020, dont je suis maintenant un membre émérite.
J'ai commencé au CNRS en février 2015, en rejoignant l'équipe SigMA de CRIStAL à l'Université de Lille, France. »