Skip to main content
Weiter zur Homepage der Europäischen Kommission (öffnet in neuem Fenster)
Deutsch de
CORDIS - Forschungsergebnisse der EU
CORDIS

Efficient infinite-dimensional optimization over measures

Projektbeschreibung

Neue Instrumente zur Verbesserung der Stichprobenauswahl und zum Umgang mit Unsicherheiten bei Modellen

Stichproben aus komplexen Wahrscheinlichkeitsverteilungen sind in Bereichen wie dem maschinellen Lernen unverzichtbar, wenn es darum geht, Unsicherheiten zu modellieren oder neue Daten wie Bilder oder Texte zu erzeugen. Die derzeitigen Methoden haben jedoch mit dem Umgang mit komplexen Räumen zu kämpfen und sind schwer zu bewerten, rechnerisch ineffizient sowie auf einfachere Bedingungen (euklidische Räume) beschränkt. Das ERC-finanzierte Projekt OptInfinite wird ein einheitliches Rahmenwerk für die effiziente Stichprobenauswahl in allgemeinen, sogar unendlich dimensionalen Räumen schaffen. Mithilfe von Werkzeugen aus der optimalen Transport- und Informationsgeometrie werden die Forschenden neue Optimierungsmethoden entwickeln. Das Ergebnis wird ein leistungsfähiges Instrumentarium für die Lösung fortgeschrittener Optimierungsprobleme und die Verbesserung von Stichprobenverfahren sein.

Ziel

Optimization over probability measures has become a powerful approach for solving complex problems
that involve probabilistic modeling. Advanced by the PI and collaborators, it extends finite-dimensional
optimization to the infinite-dimensional space of probability measures. This framework provides a princi-
pled way to address in particular the task of sampling, that refers to the process of drawing samples from
a complex probability distribution, either to approximate it or generate new data. In Bayesian machine
learning for instance, we can model uncertainty of the predictions by sampling a model’s parameters.
Similarly, in generative modeling, sampling is crucial for producing new data such as images or text.
Existing methods struggle with complex measures, are difficult to evaluate, and are limited to Euclidean
spaces, making them unsuitable for infinite-dimensional ones like functions or operators. Also, their lack
of computational efficiency limits their use in sequential sampling tasks. My goal is to create a unified
framework to design and evaluate efficient methods for sampling measures over general spaces.
Central to my approach is the use of tools from optimal transport and information geometry, which will
help compare measures and design optimization dynamics. OptInfinite will advance optimization over
measures by addressing two key challenges: 1) developing optimization objectives and geometries suited to
the space of measures over general (possibly-infinite-dimensional) spaces to design tractable schemes and
metrics, and 2) learning to solve advanced optimization problems, such as sequences of optimization tasks.
This framework will yield novel sampling methods, whose efficiency can be evaluated using optimization
tools. It will also enable to compare measures and reveal where and how they are different. Ultimately,
our work will provide a clear methodology and toolset applicable across multiple domains.

Wissenschaftliches Gebiet (EuroSciVoc)

Schlüsselbegriffe

Programm/Programme

Thema/Themen

Finanzierungsplan

HORIZON-ERC - HORIZON ERC Grants

Alle im Rahmen dieses Finanzierungsinstruments finanzierten Projekte anzeigen

Aufforderung zur Vorschlagseinreichung

(öffnet in neuem Fenster) ERC-2025-STG

Alle im Rahmen dieser Aufforderung zur Einreichung von Vorschlägen finanzierten Projekte anzeigen

Gastgebende Einrichtung

GROUPE DES ECOLES NATIONALES D ECONOMIE ET STATISTIQUE
Netto-EU-Beitrag
€ 1 499 632,00
Adresse
5 AVENUE HENRY LE CHATELIER
91120 Palaiseau
Frankreich
Region
Ile-de-France Ile-de-France Essonne
Aktivitätstyp
Higher or Secondary Education Establishments
Links
Gesamtkosten
€ 1 499 632,50

Begünstigte (1)