Meeting in Mathematical Statistics 

Rencontres de Statistique Mathématique

12 – 16 December 2022


Scientific Committee & Organizing Committee
Comité scientifique & Comité d’organisation

Cristina Butucea (Université Paris-Est Marne-la-Vallée)
Stanislav Minsker (University of Southern California)
Christophe Pouet  (École Centrale de Marseille)
Vladimir Spokoiny (Humboldt University of Berlin)

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.

The conference is focused on the analysis of complex data and of machine learning algorithms from the point of view of mathematical statistics: minimax and Bayesian approaches, asymptotic and non-asymptotic results, adaptation for estimation or testing (learning), oracle inequalities, etc. This analysis involves advanced theories in probability, optimization and computer science.

We will put an accent on two major trends in the current research:
-matrix and more general tensor models 
-optimal transport theory ​

The interactions aim at developments of new methods and theoretical guarantees in the theory of machine learning, including areas such as deep learning, robustness, topic models, learning under constraints concerning the privacy of the individuals and the fairness of the algorithms.

La conférence est dédiée à l’analyse des données complexes et des algorithmes d’apprentissage du point vue de la statistique mathématique: approches minimax et Bayésiennes, résultats asymptotiques ou non-asymptotiques, adaptation pour l’estimation et les tests (apprentissage), inégalités oracle, etc. Cette analyse fait appel à des théories avancées de probabilités, d’optimisation et d’informatique.

Nous mettrons l’accent sur deux tendances majeures de la recherche actuelle:
-modèles matriciels et plus généralement tensoriels
-théorie du transport optimal​

Les interactions visent aux développements de nouvelles méthodes et garanties théoriques pour l’apprentissage statistique dans des domaines variés comme l’apprentissage profond, les méthodes robustes, l’apprentissage sous contraintes de confidentialité des individus et d’équité des algorithmes.


Karim Lounici (CMAP – Ecole polytechnique)
Jonathan Niles-Weed (Courant Institute of Mathematical Sciences and Center for Data Science, New York University)   – abstract –



to be announced