Optimisation structurée pour l'apprentissage – STROLL

La diversification des systèmes d'apprentissage a entraîné de profonds changements dans les méthodes d'optimisation utilisées par ceux-ci. Concentrons-nous sur deux sujets porteurs en optimisation pour l'apprentissage:
i) la réduction de dimension, qui identifie les directions pertinentes dans l'espace des variables et concentre les efforts de calcul sur celles-ci (ex. selection de variables pour le lasso).
ii) l'optimisation distribuée: les clusters de calculs sont désormais faciles d'accès et l'apprentissage à partir de modèles calculés sur des téléphones/tablettes a été initié par Google dans le cadre du "federated learning".

Le succès de ces techniques est en partie dû à un dénominateur commun: le problème d'optimisation en jeu est fortement structuré et cette structure est utilisée numériquement. Dans ce projet, nous nous intéressons à la conception et à l'analyse des méthodes d’optimisation utilisant la structure pour l'apprentissage à grande échelle.