Artificial intelligence and machine learning remain hot topics year after year and are invading all economic sectors, from targeted advertising to finance, food and energy. This field has seen the development of cutting-edge technologies that enable near real-time decision-making: for example, computer vision, voice recognition, stock market analysis, etc., underpinning increasingly efficient and rapid algorithms for processing flows of data.

In parallel with this democratisation of uses, academic research is working to establish the foundations of these new methods: among others
– quantifying the capacity of a deep neural network to approximate a given function, possibly in large dimension ;
– designing efficient stochastic optimisation methods to minimise a non-convex loss function in a learning problem;
– establish worst-case complexity settings for new generative neural network models for sampling complex random data;
– study optimal transport between distributions and associated efficient computational algorithms;
– develop new estimators robust to outliers or missing data;
– developing and analysing learning algorithms that are compatible with the confidential treatment of data or their possible erroneous nature…
In these problems, uncertainties are omnipresent, random or structural, surrounding the training data, as well as the output predictors, and the risk functions.

In this workshop, we would like to bring together well-known researchers in the field of machine learning, robust statistics, uncertainty quantification, and various simulation methods, in order to allow them to exchange on the most recent progress, during the last 5 years, by associating young researchers (PhD students, post-doctoral fellows). We would also like to hear from specialists involved in applications in risk, energy, climate, finance, among others.

L’intelligence artificielle et l’apprentissage automatique restent d’année en année des sujets brûlants et envahissent tous les secteurs économiques allant de la publicité ciblée, à la finance en passant par l’alimentaire ou l’énergie. Ce domaine a vu se développer des technologies de pointe permettant des prises de décision quasi en temps réel : par exemple la vision par ordinateur, la reconnaissance vocale, l’analyse boursière… sous-tendant des algorithmes de plus en plus efficaces et rapides, pour traiter des flots de données.

En parallèle de cette démocratisation des usages, la recherche académique s’emploie à asseoir les fondements de ces nouvelles méthodes : entre autres,
– quantifier la capacité d’un réseau de neurones profond à bien approcher une fonction donnée, éventuellement en grande dimension ;
– concocter des méthodes stochastiques d’optimisation performantes pour minimiser une fonction de perte non convexe dans un problème d’apprentissage ;
– établir des réglages de complexité pire cas des nouveaux modèles génératifs à base de réseaux de neurones, permettant d’échantillonner des données aléatoires complexes;
– étudier le transport optimal entre distributions et les algorithmes de calcul efficace associés ;
– développer des nouveaux estimateurs robustes aux données aberrantes ou manquantes ;
– mettre au point et analyser des algorithmes d’apprentissage compatibles avec le traitement confidentiel des données ou leur caractère éventuellement erroné…
Dans ces problèmes, les incertitudes sont omniprésentes, aléatoires ou structurelles, elles entourent les données d’apprentissage, ainsi que les prédicteurs en sortie, et les fonctions de risques.

Dans ce workshop, nous aimerions réunir des chercheurs bien connus du domaine de l’apprentissage automatique, de la statistique robuste, de la quantification d’incertitudes, des méthodes de simulation de tous bords, afin de leur permettre d’échanger sur les progrès les plus récents, durant les 5 dernières années, en associant des jeunes chercheurs (doctorants, postdoctorants). Nous aimerions également écouter des spécialistes impliqués dans des applications en risque, énergie, climat, finance, entre autres