Ci-dessous, les différences entre deux révisions de la page.
| Les deux révisions précédentes
Révision précédente
|
|
start [2026/01/13 10:14]
Igor Kortchemski |
start [2026/02/16 18:20] (Version actuelle)
Igor Kortchemski |
| problèmes connexes. | problèmes connexes. |
| // | // |
| * 16 mars 2026. **[[https://marylou-gabrie.github.io/|Marylou Gabrié (LPENS)]]**. **Titre à préciser.**\\ //// | * 16 mars 2026. **[[https://marylou-gabrie.github.io/|Marylou Gabrié (LPENS)]]**. **De l’utilisation des modèles génératifs en échantillonnage.**\\ //Les modèles génératifs profonds paramètrent des familles de distributions très flexibles, capables de representer des ensembles de données complexes, tels que des images ou du texte. Ces modèles fournissent des échantillons indépendants provenant de distributions complexes de haute dimension à un coût négligeable. En revanche, échantillonner exactement une distribution cible, comme une loi posterior Bayésienne ou la distribution de Boltzmann d’un système physique, est généralement difficile : soit en raison de la dimensionnalité, de la multimodalité, du mauvais conditionnement, soit d’une combinaison de ces facteurs. Dans cet exposé, je discuterai des opportunités et des défis liés à l’amélioration des algorithmes traditionnels d’inférence et d’échantillonnage à l’aide de l’apprentissage.// |
| * 13 avril 2026. **[[https://www.sertedonderwinkel.com/|Serte Donderwinkel (Groningen, Professeure invitée ENS-PSL/DMA)]]**. **Titre à préciser.**\\ //// | * 13 avril 2026. **[[https://www.sertedonderwinkel.com/|Serte Donderwinkel (Groningen, Professeure invitée ENS-PSL/DMA)]]**. **Titre à préciser.**\\ //// |
| * 11 mai 2026. **[[https://www.ceremade.dauphine.fr/~massoulie/|Brune Massoulié (Dauphine)]]**. **Titre à préciser.**\\ //// | * 11 mai 2026. **[[https://www.ceremade.dauphine.fr/~massoulie/|Brune Massoulié (Dauphine)]]**. **Titre à préciser.**\\ //// |