T-ERC_STG - Tremplin-ERC Starting

Données, géométrie et courbure – DataGC

Résumé de soumission

Les données Riemanniennes sont omniprésentes en statistique et en apprentissage : complétion de matrices de faible rang, apprentissage de dictionnaires, factorisation de matrices, vision par ordinateur, apprentissage de formes, transport optimal, etc. Par surcroit, les données accessibles sont de plus en plus riches, et donc complexes et hétérogènes, c'est pourquoi il devient urgent de développer des méthodes permettant d'en extraire de l'information précise, robuste, efficace, tout en comprenant et en respectant leur géométrie.
DataGC permettra d'étudier et de développer des liens entre science des données, probabilités, notions de courbure, géométrie, afin de produire une théorie non asymptotique et non paramétrique de l'estimation de position sur les variétés riemanniennes. Nous concentrerons nos efforts sur les barycentres, les régions centrales et les supports de distributions, qui sont essentiels pour la visualisation de données ainsi qu'en statistique descriptive et inférentielle.

Coordination du projet

Victor Emmanuel Brunel (Groupe des Ecoles Nationales d'Economie et de Statistique)

L'auteur de ce résumé est le coordinateur du projet, qui est responsable du contenu de ce résumé. L'ANR décline par conséquent toute responsabilité quant à son contenu.

Partenaire

GENES Groupe des Ecoles Nationales d'Economie et de Statistique

Aide de l'ANR 112 435 euros
Début et durée du projet scientifique : mars 2022 - 24 Mois

Liens utiles

Explorez notre base de projets financés

 

 

L’ANR met à disposition ses jeux de données sur les projets, cliquez ici pour en savoir plus.

Inscrivez-vous à notre newsletter
pour recevoir nos actualités
S'inscrire à notre newsletter