|
CONFERENCE
Machine Learning and Signal Processing on Graphs Apprentissage automatique et traitement du signal sur graphes 7 - 11 November 2022 |
|
|
Scientific Committee
Comité scientifique Jalal Fadili (École Supérieure d'Ingénieurs de Caen) Patrick Flandrin (CNRS, ENS Lyon) Catherine Matias (CNRS, Sorbonne Université) Pierre Vandergheynst (EPFL) |
Organizing Committee
Comité d'organisation Nicolas Keriven (CNRS, GIPSA laboratory Grenoble) Andreas Loukas (EPFL) Nelly Pustelnik (CNRS, ENS Lyon) Nicolas Tremblay (CNRS, GIPSA laboratory Grenoble) Samuel Vaiter (CNRS, Université Côte d’Azur) |
IMPORTANT WARNING: Scam / Phishing / SMiShing ! Note that ill-intentioned people may be trying to contact some of participants by email or phone to get money and personal details, by pretending to be part of the staff of our conference center (CIRM). CIRM and the organizers will NEVER contact you by phone on this issue and will NEVER ask you to pay for accommodation/ board / possible registration fee in advance. Any due payment will be taken onsite at CIRM during your stay.
Description
|
Relational or non-euclidean data such as physical or social networks, point clouds or biological components can often be described with underlying graphs. Graphs are a key concept invarious disciplines such as computer science, social science, or medicine, as well as an incredibly rich mathematical field. It is therefore natural that they form the core of the work of an increasingly large group of researchers from machine learning, statistics, signal processing and optimization.
These communities rarely share the same venues. This conference aims to facilitate new collaborations across geographical boundaries but also to explore synergies across research topics. World-class researchers will be invited to present state-of-the-art works along with young researchers (early careers, PhD students) to promote and develop new mentorship. The program will revolve around three major themes. First, the recent impact of Graph Neural Networks on various task of machine learning on graphs such as graph generation, representation learning, graph embedding, as well as their current limitations, and how to overcome them. Second, how statistical properties of random graphs can be exploited in learning theory, and what kind of asymptotic and non-asymptotic behaviour we can expect for static and dynamic graphs. Finally, how new optimization methods can help graph signal processing, including non-smooth and distributed methods. |
Les données relationnelles, ou non-euclidiennes, comme les réseaux physiques ou sociaux, les nuages de points sont souvent décrits à l'aide d'un graphe sous-jacent. Les graphes sont un concept clé dans des disciplines diverses, comme l'informatique, les sciences sociales ou la médecine, tout comme il s'agit d'un domaine incroyablement riche des mathématiques. Il est donc naturel que ces objets soient au coeur du travail d'un groupe de plus en plus large de chercheurs de l'apprentissage automatique au traitement du signal, en passant par les statistiques et l'optimisation.
Ces communautés partagent rarement les mêmes évènements. Cette conférence a pour but de faciliter de nouvelles collaborations internationales ainsi que d'explorer des synergies à travers plusieurs thèmes de recherche. Des chercheurs de renommées internationales seront invités à présenter leur derniers résultats ainsi que des chercheurs en début en carrière et des doctorants pour promouvoir et développer de nouvelles interactions. Le programme sera orienté vers trois thèmes majeurs. Le premier est l'impact récent des réseaux de neurones sur graphes sur de multiples tâches en apprentissage tel que la génération, la représentation, les plongements de graphes, ainsi que leurs limitations actuelles et comment les surmonter. Ensuite, un autre focus sera dédié aux propriétés statistiques des graphes aléatoires, et comment les exploiter en apprentissage, notamment quels comportements asymptotiques et non-asymptotiques peut-on attendre pour des graphes statiques, et également dynamiques. Enfin, le dernier axe sera consacré aux méthodes d'optimisation et leur impact sur le traitement du signal sur graphe, incluant les méthodes non-lisses et distribuées. |
Speakers
Pierre-Antoine Absil (UCL)
Sophie Achard (CNRS)
Pierre Borgnat (ENS Lyon)
Fabienne Castell (Université Aix-Marseille)
Nicolas Courty (Université Bretagne Sud)
Yohann de Castro (École Centrale de Lyon)
Xiaowen Dong (Oxford)
Mireille El Gheche (EPFL)
Marion Foare (CPE)
Kimon Fountoulakis (Waterloo)
Elvin Isufi (TU Delft)
Haggai Marron (NVIDIA)
Antonio Ortega (University of South Carolina)
David Shuman (Macalester College)
Gabriele Steidl (Technische Universität Berlin)
Dimitri Van de Ville (EPFL)
Nicolas Verzelen (INRA)
Ulrike Von Luxburg (University of Tübingen)
Lenka Zdeborová (EPFL)
Pierre-Antoine Absil (UCL)
Sophie Achard (CNRS)
Pierre Borgnat (ENS Lyon)
Fabienne Castell (Université Aix-Marseille)
Nicolas Courty (Université Bretagne Sud)
Yohann de Castro (École Centrale de Lyon)
Xiaowen Dong (Oxford)
Mireille El Gheche (EPFL)
Marion Foare (CPE)
Kimon Fountoulakis (Waterloo)
Elvin Isufi (TU Delft)
Haggai Marron (NVIDIA)
Antonio Ortega (University of South Carolina)
David Shuman (Macalester College)
Gabriele Steidl (Technische Universität Berlin)
Dimitri Van de Ville (EPFL)
Nicolas Verzelen (INRA)
Ulrike Von Luxburg (University of Tübingen)
Lenka Zdeborová (EPFL)
SPONSORS
|
Variational Methods for Graph Signals – GraVa
|
