Équipe IMAGeS : Images, Modélisation, Apprentissage, Géométrie et Statistique

Différences entre les versions de « Séminaire du 4 novembre 2021 »

De Équipe IMAGeS : Images, Modélisation, Apprentissage, Géométrie et Statistique
Aller à la navigation Aller à la recherche
(Page créée avec « <big>'''Linéarisation des distances de transport optimal'''</big> ''Orateur : Quentin Mérigot, Université Paris Saclay'' '''Résumé :''' Dans cet exposé, nous prés… »)
 
 
Ligne 1 : Ligne 1 :
 
<big>'''Linéarisation des distances de transport optimal'''</big>
 
<big>'''Linéarisation des distances de transport optimal'''</big>
  
''Orateur : Quentin Mérigot, Université Paris Saclay''
+
''Quentin Mérigot, Université Paris Saclay''
  
 
'''Résumé :''' Dans cet exposé, nous présenterons un plongement explicite de l'ensemble des mesures de probabilité dans un espace de Hilbert, défini à l'aide du transport optimal depuis une densité de probabilité de référence. Ce plongement «linéarise» dans une certaine mesure l'espace 2-Wasserstein, et permet l'utilisation directe d'algorithmes d'apprentissage génériques « linéaires » supervisés et non supervisés sur des données de mesure, tout en conservant une partie de la géométrie de la distance de Wasserstein. Notre résultat principal est que le plongement est (bi-)Hölder continu, lorsque la densité de référence est uniforme sur un ensemble convexe, et peut être exprimé de manière équivalente comme un résultat de stabilité quantitatif pour des applications de transport optimal. Travail commun avec A. Delalande et F. Chazal.
 
'''Résumé :''' Dans cet exposé, nous présenterons un plongement explicite de l'ensemble des mesures de probabilité dans un espace de Hilbert, défini à l'aide du transport optimal depuis une densité de probabilité de référence. Ce plongement «linéarise» dans une certaine mesure l'espace 2-Wasserstein, et permet l'utilisation directe d'algorithmes d'apprentissage génériques « linéaires » supervisés et non supervisés sur des données de mesure, tout en conservant une partie de la géométrie de la distance de Wasserstein. Notre résultat principal est que le plongement est (bi-)Hölder continu, lorsque la densité de référence est uniforme sur un ensemble convexe, et peut être exprimé de manière équivalente comme un résultat de stabilité quantitatif pour des applications de transport optimal. Travail commun avec A. Delalande et F. Chazal.

Version actuelle datée du 1 novembre 2021 à 17:56

Linéarisation des distances de transport optimal

Quentin Mérigot, Université Paris Saclay

Résumé : Dans cet exposé, nous présenterons un plongement explicite de l'ensemble des mesures de probabilité dans un espace de Hilbert, défini à l'aide du transport optimal depuis une densité de probabilité de référence. Ce plongement «linéarise» dans une certaine mesure l'espace 2-Wasserstein, et permet l'utilisation directe d'algorithmes d'apprentissage génériques « linéaires » supervisés et non supervisés sur des données de mesure, tout en conservant une partie de la géométrie de la distance de Wasserstein. Notre résultat principal est que le plongement est (bi-)Hölder continu, lorsque la densité de référence est uniforme sur un ensemble convexe, et peut être exprimé de manière équivalente comme un résultat de stabilité quantitatif pour des applications de transport optimal. Travail commun avec A. Delalande et F. Chazal.