L’école de recherche "Approximation en grande dimension et apprentissage profond" se tiendra à Nantes du 16 au 20 mai 2022.
Cette école aborde les fondements mathématiques de l'approximation et de l'apprentissage statistique en grande dimension, avec une attention particulière sur l'approximation nonlinéaire, la réduction de modèle, les tenseurs et les réseaux de neurones.
L’école est à destination des étudiant.e.s en thèse, jeunes chercheur.se.s et chercheur.se.s confirmé.e.s intéressé.e.s par ces thématiques.
L'école comportera quatre cours donnés par des experts des mathématiques de l'approximation et de l'apprentissage:
- Cours 1: Albert Cohen, Approximation of multivariate functions : reduced modeling and recovery from uncomplete measurements
- Cours 2: Lars Grasedyck, Approximation with Hierarchical Low Rank Tensors
- Cours 3: Sophie Langer, On the statistical theory of deep learning
- Cours 4: Philipp Petersen, Approximation theory of deep neural networks
Le cours 2 sera complété par des sessions pratiques animées par Sebastian Krämer.
`Des exposés invités viendront compléter les cours sur les avancées récentes dans les algorithmes d'apprentissage et la théorie de l'approximation par réseaux de neurones.
- Sébastien Gerchinovitz, Approximation lower bounds in L^p norm, with applications to feedforward neural networks
- Stéphane Chrétien, Benign overfitting : analysis of the generalisation paradox
Mots-clés: approximation et apprentissage en grande dimension, tenseurs, réseaux de neurones, apprentissage profond, réduction de modèle, problèmes inverses