Sign up to save your podcasts
Or
Share Sciences des données - Stéphane Mallat
Share to email
Share to Facebook
Share to X
Share to email
Share to Facebook
Share to X
Or
Sciences des données - Stéphane Mallat
By Collège de FranceTechnology
Sciences des données - Stéphane Mallat episodes
- Séminaire - Génération de données en IA par transport et débruitage : Prédictions par interpolations stochastiques
Stéphane Mallat
Collège de France
Science des données
Année 2024-2025
Séminaire - Génération de données en IA par transport et débruitage : Prédictions par interpolations stochastiques
Intervenant :
Éric Van Den Ejden
1 hr 5 min - 08 - Génération de données en IA par transport et débruitage (8)
Stéphane Mallat
Collège de France
Science des données
Année 2024-2025
Génération de données en IA par transport et débruitage (8)
1 hr 30 min - Séminaire - Génération de données en IA par transport et débruitage : Problèmes inverses et IA génératives
Stéphane Mallat
Collège de France
Science des données
Année 2024-2025
Séminaire - Génération de données en IA par transport et débruitage : Problèmes inverses et IA génératives
Intervenant :
Éric Moulines
Professeur à l'École Polytechnique
1 hr 4 min - 07 - Génération de données en IA par transport et débruitage (7)
Stéphane Mallat
Collège de France
Science des données
Année 2024-2025
Génération de données en IA par transport et débruitage (7)
1 hr 18 min - Séminaire - Génération de données en IA par transport et débruitage : Dynamique des modèles de diffusions
Stéphane Mallat
Collège de France
Science des données
Année 2024-2025
Séminaire - Génération de données en IA par transport et débruitage : Dynamique des modèles de diffusions
Intervenant :
Tony Bonnaire
Professeur à PSL
48 min - 06 - Génération de données en IA par transport et débruitage (6)
Stéphane Mallat
Collège de France
Science des données
Année 2024-2025
Génération de données en IA par transport et débruitage (6)
1 hr 34 min - Séminaire - Génération de données en IA par transport et débruitage : Des modèles de diffusion aux ponts de Schrödinger
Stéphane Mallat
Collège de France
Science des données
Année 2024-2025
Séminaire - Génération de données en IA par transport et débruitage : Des modèles de diffusion aux ponts de Schrödinger
Résumé
Les modèles de diffusion ont révolutionné l'IA générative. Conceptuellement, ces méthodes définissent un mécanisme de transport d'une distribution de bruit vers une distribution de données. Des travaux récents ont étendu ce cadre pour définir des transports entre des distributions arbitraires, élargissant considérablement le potentiel de ces modèles de diffusion. Cependant, les méthodes existantes échouent souvent à approcher le transport optimal entre ces distributions. Dans cette présentation, nous montrerons comment il est possible de modifier les méthodologies actuelles pour obtenir les ponts de Schrödinger – une variante à entropie régularisée du transport optimal dynamique.
Intervenant :
Valentin De Bortoli
Google DeepMind
1 hr 10 min - 05 - Génération de données en IA par transport et débruitage (5)
Stéphane Mallat
Collège de France
Science des données
Année 2024-2025
05 - Génération de données en IA par transport et débruitage (5)
1 hr 33 min - Séminaire - Génération de données en IA par transport et débruitage : Transport optimal et diffusions en apprentissage statistique
Stéphane Mallat
Collège de France
Science des données
Année 2024-2025
Séminaire - Génération de données en IA par transport et débruitage : Transport optimal et diffusions en apprentissage statistique
Intervenant :
Gabriel Peyré
Directeur de recherche au CNRS
53 min - 04 - Génération de données en IA par transport et débruitage (4)
Stéphane Mallat
Collège de France
Science des données
Année 2024-2025
04 - Génération de données en IA par transport et débruitage (4)
1 hr 30 min
About Sciences des données - Stéphane Mallat
From the publisher's feed
Traiter des données pour valider une hypothèse ou estimer des paramètres est longtemps resté du ressort exclusif des statistiques. Cependant, l'augmentation de leur dimension a fait exploser la…
combinatoire des possibles. Cette malédiction de la dimensionalité est une difficulté centrale de l'analyse de données, que ce soit des images, sons, textes, ou des mesures expérimentales comme en physique, biologie ou économie. Modéliser et représenter les structures cachées des données fait appel à diverses branches des mathématiques, mais aussi à l'informatique. Les algorithmes d'apprentissage statistique, comme les réseaux de neurones, sont configurés pour optimiser l'analyse des données à partir d'exemples. Ils sont à l'origine des résultats spectaculaires de l'intelligence artificielle. Les applications scientifiques, industrielles et sociétales sont considérables, et leurs performances progressent bien plus vite que notre maîtrise de leurs propriétés mathématiques.
La chaire propose un enseignement de mathématiques appliquées, qui tente de combler le fossé entre la jungle des nouveaux développements algorithmiques et la compréhension des principes généraux sous-jacents. Les applications couvrent tous les aspects du traitement du signal et de l'apprentissage statistique. Au-delà des statistiques et des probabilités, cela fait appel à l'analyse harmonique, à l'optimisation et à la géométrie. L'étude d'applications et de nouveaux algorithmes est proposée dans le cadre de challenges de données, qui sont organisés par la chaire.
L'équipe de recherche de Stéphane Mallat à l'ENS étudie les principes permettant de structurer l'analyse de données pour échapper à la malédiction de la dimensionalité. Elle développe notamment des modèles de réseaux de neurones, basés sur des principes de séparation d'échelles par ondelettes, de parcimonie et d'invariance. Les applications concernent aussi bien la reconnaissance d'images ou de sons que l'estimation de mesures physiques. Pour plus d'informations, on pourra consulter le site internet de l'équipe de recherche.