Unsupervised learning aims to capture the underlying structure of potentially large and high-dimensional datasets. Traditionally, this involves using dimensionality reduction methods to project data onto lower-dimensional spaces or organizing points into meaningful clusters (clustering). Typically, this process involves aligning two graphs depicting the relationship between samples in the input high-dimensional space and their corresponding positions in the output low-dimensional space. In this talk we will present a new perspective on these approaches that is based on optimal transport and the Gromov-Wasserstein distance. Precisely, we will propose a new general framework, called distributional reduction, that recovers dimension reduction and clustering as special cases and allows us to address them jointly with a single optimization problem. We then empirically showcase the relevance of our approach on both image and genomics datasets.

Les représentations irréductibles du groupe unitaire admettent une base canonique, qui a été implicitement introduite par Gelfand
et Zetlin pour donner une construction de ces représentations à travers des formules explicites pour ses éléments de matrices. Dans cet
exposé, nous expliquerons comment calculer leurs asymptotiques lorsque le plus haut poids poids de la représentation tend vers l'infini.
Il s'agit d'une illustration de la méthode des orbites, où une représentation irréductible est interprétée comme la quantification géométrique
d'une orbite coadjointe du groupe unitaire, considérée comme un espace des phases en mécanique classique. Cela utilise des outils de
quantification de Berezin-Toeplitz, ainsi qu'une construction due à Guillemin et Sternberg d'un système intégrable naturel sur cette orbite
coadjointe, appelé système de Gelfand-Zetlin.

Cette présentation porte sur l'observabilité de l'équation de Schrödinger. Nous débuterons par une introduction générale de l'équation de Schrödinger, suivie de l'énoncé du théorème d'observabilité formulé par LEBEAU et de motivations pour ce problème, notamment en lien avec la théorie du contrôle.

Ensuite, nous introduirons des outils d'analyse semi-classique indispensables à la compréhension et à la preuve de ce théorème. Nous aborderons les opérateurs pseudo-différentiels, en décrivant leur définition et leur fonctionnement à travers certains exemples, puis nous explorerons la notion de mesures semi-classiques et les différentes propriétés de celles-ci.

Enfin, nous examinerons l'hypothèse géométrique du théorème, qui joue un rôle essentiel, avant de reformuler le théorème dans une version affaiblie. Cela nous permettra d'esquisser une idée de la preuve en mobilisant les outils développés au cours de la présentation.