Skip to main content
Ir a la página de inicio de la Comisión Europea (se abrirá en una nueva ventana)
español es
CORDIS - Resultados de investigaciones de la UE
CORDIS

Efficient infinite-dimensional optimization over measures

Descripción del proyecto

Nuevas herramientas para mejorar el muestreo y controlar la incertidumbre en modelos probabilísticos

El muestreo a partir de distribuciones probabilísticas complejas es fundamental en ámbitos como el aprendizaje automático, donde ayuda a modelizar la incertidumbre o a generar nuevos datos, como imágenes o texto. Sin embargo, los métodos actuales presentan dificultades para abordar espacios complejos, resultan difíciles de evaluar, son poco eficientes desde el punto de vista computacional y se limitan a entornos más simples, como los espacios euclidianos. En el proyecto OptInfinite, financiado por el Consejo Europeo de Investigación, se creará un marco unificado para el muestreo eficiente en espacios generales, incluso de dimensión infinita. Los investigadores emplearán herramientas del transporte óptimo y la geometría de la información para desarrollar nuevos métodos de optimización. El resultado será un conjunto de herramientas potente para abordar problemas avanzados de optimización y mejorar las técnicas de muestreo.

Objetivo

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.

Ámbito científico (EuroSciVoc)

Palabras clave

Programa(s)

Tema(s)

Régimen de financiación

HORIZON-ERC - HORIZON ERC Grants

Ver todos los proyectos financiados en el marco de este régimen de financiación

Convocatoria de propuestas

(se abrirá en una nueva ventana) ERC-2025-STG

Ver todos los proyectos financiados en el marco de esta convocatoria

Institución de acogida

GROUPE DES ECOLES NATIONALES D ECONOMIE ET STATISTIQUE
Aportación neta de la UEn
€ 1 499 632,00
Dirección
5 AVENUE HENRY LE CHATELIER
91120 Palaiseau
Francia
Región
Ile-de-France Ile-de-France Essonne
Tipo de actividad
Higher or Secondary Education Establishments
Enlaces
Coste total
€ 1 499 632,50

Beneficiarios (1)