Lorsqu’on considère l’analyse statistique de modèles réalistes de données, l’inférence sur les paramètres d’intérêt de tels modèles se heurte souvent à la difficulté de traiter une multiplicité et une variété de sources de données. Cela peut être en raison de multiples expériences menées dans des conditions différentes comme, par exemple, en astronomie ou en médecine
(méta-analyse), ou à des raisons de confidentialité qui interdisent l’analyse simultanée de différents ensembles de données, ou encore à la taille des données. Ces possibles raisons rendent un traitement unique de l’ échantillon dans sa totalité impossible ou extrêmement long. Un tel problème est étonnamment difficile à régler et il se pose dans de nombreux contextes (par exemple, élicitation par des experts, multi-vues apprentissage, problèmes de “big data” distribués, etc.), mais à ce jour, aucune solution suffisamment générale n’a pu être trouvée. Les solutions de type Monte Carlo sont soit approximatives (MCMC évolutif, fusion, Bayes variationnel) ou inapplicables à des paramètres réalistes.
   Ce workshop propose de comprendre et de comparer les solutions exis-tantes pour unifier les analyses et inférences distribuées et partielles sur des paramètres partagés à partir de sources multiples, en une seule inférence cohérente. Nous espérons aussi beaucoup des interactions entre différentes communautés, comme celles proches du machine learning, différentes sensibilités et différentes expertises, pour explorer d’autres possibilités afin de valider ces méthodes, évaluer leurs pratiques impact et développer des évaluations quantitatives de leur taux d’erreur. Il y a en effet beaucoup de possibilités d’adapter la théorie à des applications particulières (comme le BigData), construire des schémas de parallélisation efficaces, comprendre le degré d’approximation et l’efficacité algorithmique d’autres paradigmes d’unification, et explorer de nouvelles directions théoriques et méthodologiques.