Séminaire de mathématiques appliquées (archives)

L’optimisation convexe en ligne (Online Convex Optimization) est le cadre abstrait standard permettant d’étudier les problèmes d’apprentissage où les données sont traitées de façon séquentielle. Je décrirai une version distribuée de cadre. Dans ce problème, des agents formant les noeuds d’un graphe coopèrent pour minimiser leurs pertes cumulées. A chaque tour, l’environnement sélectionne un agent qui devra choisir une action avant d’observer la fonction de perte subie, puis de communiquer avec ses voisins. Je présenterai une classe d’algorithmes dits ‘adaptatif au comparateur’, qui ont reçu beaucoup d’attention ces dernières années, et qui nous seront utiles pour obtenir des garanties satisfaisantes à notre problème.

On s'intéresse dans cet exposé à des modèles décrivant l'évolution de particules (telles que des particules solides de poussière ou des goutelettes) dans un gaz raréfié. De nombreux modèles de spray pour les mélanges gaz-particules existent, mais la plupart du temps le gaz (appelé aussi la "phase porteuse" dans les modèles de spray) est décrit par des équations portant sur les grandeurs macroscopiques du fluide. On adopte ici une approche à l'échelle mésoscopique pour décrire le gaz. Je présenterai deux types de modèles destinés à décrire une situation où les particules (correspondant à la phase "dispersée" du spray) sont macroscopiques comparées aux molécules.

La quantification d'incertitudes a pour but d'évaluer l'impact d'un manque de connaissance des paramètres d'entrées (considérés aléatoires) sur les résultats d'une expérience numérique. Dans ce travail, nous prenons en compte un second niveau d'incertitude qui affecte le choix du modèle probabiliste des paramètres d'entrées. Nous évaluons les bornes d'une quantité d'intérêt sur l'ensemble des mesures de probabilités uniquement définies par leur bornes et certains de leurs moments. Du fait du grand nombre de contraintes, l'optimisation numérique est complexe. Nous montrons que le problème d'optimisation peut se paramétriser sur les points extrémaux de cet espace de mesures de probabilité contraintes.

Sampling approximations for high dimensional statistical models often rely on so-called gradient-based MCMC algorithms. It is now well established that these samplers scale better with the dimension than other state of the art MCMC samplers, but are also more sensitive to tuning [5]. Among these, Hamiltonian Monte Carlo is a widely used sampling method shown to achieve gold standard d^{​​​​​1/4}​​​​​ scaling with respect to the dimension [1]. However it is also known that its efficiency is quite sensible to the choice of integration time, see e.g. [4], [2]. This problem is related to periodicity in the autocorrelations induced by the deterministic trajectories of Hamiltonian dynamics.

The main focus of this article is to provide a mathematical study of the algorithm proposed in [6] where the authors proposed a variance reduction technique for the computation of parameter-dependent expectations using a reduced basis paradigm. We study the effect of Monte-Carlo sampling on the the- oretical properties of greedy algorithms. In particular, using concentration inequalities for the empirical measure in Wasserstein distance proved in [14], we provide sufficient conditions on the number of samples used for the computation of empirical variances at each iteration of the greedy procedure to guarantee that the resulting method algorithm is a weak greedy algorithm with high probability.

In this work we consider the surface quasi-geostrophic (SQG) system under location uncertainty (LU) and propose a Milstein-type scheme for these equations, which is then used in a multi-step method. The LU framework, is based on the decomposition of the Lagrangian velocity into two components: a large-scale smooth component and a small-scale stochastic one. This decomposition leads to a stochastic transport operator, and one can, in turn, derive the stochastic LU version of every classical fluid-dynamics system.

SQG in particular consists of one partial differential equation, which models the stochastic transport of the buoyancy, and an operator which relies the velocity and the buoyancy.

Determinantal Point Processes (DPPs) elegantly model repulsive point patterns. A natural problem is the estimation of a DPP given a few samples. Parametric and nonparametric inference methods have been studied in the finite case, i.e. when the point patterns are sampled in a finite ground set. In the continuous case, several parametric methods have been proposed but nonparametric methods have received little attention. In this talk, we discuss a nonparametric approach for continuous DPP estimation leveraging recent advances in kernel methods. We show that a restricted version of this maximum likelihood (MLE) problem falls within the scope of a recent representer theorem for nonnegative functions in a Reproducing Kernel Hilbert Space.

The Cahn-Hilliard equation, arising from physics, describes the phase separation occurring in a material during a sudden cooling process and is the subject of many pieces of research [2]. An interesting application of this equation is its capacity to model cell populations undergoing attraction and repulsion effects. For this application, we consider a variant of the Cahn-Hilliard equation with a single-well potential and a degenerate mobility. This particular form introduces numerous di culties especially for numerical simulations. We propose a relaxation of the equation to tackle these issues and analyze the resulting system. Interestingly, this relaxed version of the degenerate Cahn-Hilliard equation bears some similarity with a nonlinear Keller-Segel model.

Abstract: Nowadays large-scale machine learning faces a number of fundamental computational challenges, triggered by the high dimensionality of modern data and the increasing availability of very large training collections. These data can also be of a very complex nature, such as such as those described by the graphs that are integral to many application areas. In this talk I will present some solutions to these problems. I will introduce the Compressive Statistical Learning (CSL) theory, a general framework for resource-efficient large scale learning in which the training data is summarized in a small single vector (called sketch) that captures the information relevant to the learning task.

Dans cet exposé, nous étudierons un plasma électronique où les particules peuvent être distribuées en deux populations distinctes, froides et chaudes, menant au modèle de Vlasov-Maxwell hybride fluide/cinétique linéarisé, restreint ici à 1 dimension en espace et 3 en vitesse. Notre objectif sera de proposer deux méthodes numériques pour résoudre ce modèle. La première est basée sur la structure hamiltonienne du système, et la seconde utilise un intégrateur exponentielle (ou méthode de Lawson), permettant facilement de monter en ordre en retirant une contrainte de stabilité provenant de la partie linéaire du problème. Nous étudierons ensuite la possibilité d'approximer l'exponentielle de la partie linéaire lorsqu'il n'est pas possible de déterminer celle-ci formellement.