Objectifs de la chaire
Les principaux objectifs de cette chaire sont de développer et de mettre en action, des outils de mathématiques appliquées en amont (outils d’optimisation, géométrie non euclidienne, analyse de sensibilité globale, matrices aléatoires, ..), pour la compréhension des algorithmes d’apprentissage automatique.
Un accent particulier est mis sur les interactions avec les partenaires industriels. La volonté des membres de cette chaire est de travailler dans une boucle vertueuse, alimentant les recherches en mathématiques appliquées en résolvant des problèmes industriels concrets proposés par les partenaires industriels. Les problèmes abordés vont de l’explicabilité (en utilisant par exemple des outils d’analyse de sensibilité globale), l’étude des réseaux neuronaux (en utilisant par exemple des matrices aléatoires ou plongement continu) à la conception de nouveaux algorithmes (à l’aide d’outils géométriques).
Programmes : IA acceptable & certifiable
Thèmes : apprentissages avec peu de données ou des données complexes, fair learning, IA et modèles physiques
Porteur :
Fabrice Gamboa, Institut de Mathématiques de Toulouse / https://www.math.univ-toulouse.fr/~gamboa
- Senior collaborating researchers :
Agnès Lagnoux (UT2J, IMT), Clément Pellegrini (UT3, IMT) - PhD Students :
Jérôme Stenger (CIFRE EDF. 2017-2020, Advisor F. Gamboa and M. Keller): Optimal uncertainty quantification of a risk measurement from a computer codeEva Lawrence (CEA grant, 2016-2020, Advisors F. Gamboa and T. Klein): Functional reconstruction and uncertainty analysis in an inverse chemical thermodynamics problem
Louis Berry (CEA grant, 2019-2022, Advisors F. Gamboa and A. Marrel): Computing data assimilation of a nuclear engine simulator,
Faouzi Hakimi (CEA grant, 2019-2022, Advisors F. Gamboa and A. Marrel): Sensitivity, and data assimilation of a nuclear accident simulator
Clément Benesse (ENS Lyon ANITI, 2019-2022, Advisors F. Gamboa and J.M. Loubes): Bridging fairness and sensitivity analysis
Virgile Foy (ANITI SAFRAN, 2020-2023, Advisors F. Gamboa and R. Chhaibi ): Machine learning for the automatic generation of engine blades
Marouane Il Drissi (CIFRE EDF, 2020-2023, Advisors F. Gamboa and J.M. Loubes): Game theory, sensitivity analysis and perturbations for machine learning interpretability,
Ismael Khalfaoui (ANITI, 2020-2023, Advisors F. Filbet and T. Pellegrini): Deep neural networks using expanded convolution layers
Co-organisation du workshop SAIS 2020, autour des Statistiques et l’ Intelligence Artificielle pour la Data Science.
Ci-dessous une sélection de publications
- Daouda, T., Chhaibi, R., Tossou P., & Villani A.-C. (2020) Geodesics in fibered latent spaces: A geometric approach to learning correspondences between conditions. ArXiv:2005.07852 Submitted
- Da Veiga, S., Gamboa, F., Iooss, B. & Prieur C. (2021 to appear) Basics and trends in sensitivity analysis – Theory and practice in R, SIAM.
- De Castro, Y., Gamboa, F., Henrion, D., & Lasserre, J. B. (2021). Dual optimal design and the Christoffel–Darboux polynomial. Optimization Letters, 15(1), 3-8.
- Gamboa, F., Gueneau, C., Klein, T., & Lawrence, E. (2021). Maximum entropy on the mean approach to solve generalized inverse problems with an application in computational thermodynamics. RAIRO-Operations Research, 55(2), 355-393.
- Pellegrini, T., & Masquelier, T. Fast threshold optimization for multi-label audio tagging using surrogate gradient learning. In Proc. ICASSP 2021-2021 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP) (pp. 651-655), June 2021
- Pellegrini, T., Zimmer, R., & Masquelier, T. Low-activity supervised convolutional spiking neural networks applied to speech commands recognition. In Proc. 2021 IEEE Spoken Language Technology Workshop (SLT) (pp. 97-103), January 2021
- Stenger, J., Gamboa, F., & Keller, M. (2021). Optimization Of Quasi-convex Function Over Product Measure Sets. SIAM Journal on Optimization, 31(1), 42