Méthodes d’Optimisation Quasi-Newton Non-lisse pour les Sciences des Données à Grande Echelle – TRINOM-DS

L'optimisation d'objectives non-lisses composites et structurées est d'une impoortance primordiale en sciences des données, ouù la tendance est aux données multidimensionnelles à grande échelle, ce qui nécessite des algorithmes d'optimisation toujours plus efficaces. Alors que jusqu'à lors, les méthodes de premier-ordre ont été largemebt utilisées et étudiées pour résoudre de tels problèmes, elles ont atteint leurs limites naturelles théoriques. Les méthodes d'ordre supérieur quant à elles, en particulier les méthodes quasi-Newton, sont peu utilisées à cause de leur manque de scalabilité, de la complexité de leur analyse mathématique, ou de la dfficulté de leur généralisation au cas non-lisse.Le projet TRINOM-DS se propose de lever ces verrous scientifiques et de développer des avancées theoriques, numériques et algorithmiques pour exploiter le grand potentiel des schémas quas-Newton pour les problèmes d'optimisation non-lisse à grande échelle, qui sont omniprésents en sciences des données. Ces algorithmes seront élaborées dans plusieurs cadres difficiles, et auront des retombées dans plusieurs applications comme en apprentissage machine, le traitement du signal/image ou la vision par ordinateur. Ils seront implémentés sous la forme de librairies téléchargeables publiquement selon la philosophie de la recherche reproductible. Les membres de TRINOM-DS sont des acteurs très actif dans l'école européenne de l'optimisation et les sciences des données, ce qui permet à ce projet d'offrir une opportunité unique pour développer une incarnation tangible, sclabale et numérique des méthodes d'optimisation non-lisse d'ordre supérieur.