Skip to main content
Aller à la page d’accueil de la Commission européenne (s’ouvre dans une nouvelle fenêtre)
français fr
CORDIS - Résultats de la recherche de l’UE
CORDIS

Efficient infinite-dimensional optimization over measures

Description du projet

De nouveaux outils pour améliorer l’échantillonnage et gérer l’incertitude dans les modèles

L’échantillonnage à partir de distributions de probabilités complexes est essentiel dans des domaines tels que l’apprentissage automatique, où il permet de modéliser l’incertitude ou de générer de nouvelles données, telles que des images ou du texte. Cependant, les méthodes actuelles ne sont pas adaptées aux espaces complexes; elles sont difficiles à évaluer, inefficaces sur le plan informatique et limitées à des contextes plus simples (espaces euclidiens). Le projet OptInfinite, financé par le CER, créera un cadre unifié pour un échantillonnage efficace dans des espaces de dimension générale, voire infinie. En utilisant les outils du transport optimal et de la géométrie de l’information, les chercheurs développeront de nouvelles méthodes d’optimisation. Il en résultera un ensemble d’outils puissants contribuant à résoudre des problèmes d’optimisation avancés et à améliorer les techniques d’échantillonnage.

Objectif

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.

Champ scientifique (EuroSciVoc)

Mots‑clés

Programme(s)

Thème(s)

Régime de financement

HORIZON-ERC - HORIZON ERC Grants

Voir tous les projets financés dans le cadre de ce programme de financement

Appel à propositions

(s’ouvre dans une nouvelle fenêtre) ERC-2025-STG

Voir tous les projets financés au titre de cet appel

Institution d’accueil

GROUPE DES ECOLES NATIONALES D ECONOMIE ET STATISTIQUE
Contribution nette de l'UE
€ 1 499 632,00
Adresse
5 AVENUE HENRY LE CHATELIER
91120 Palaiseau
France
Région
Ile-de-France Ile-de-France Essonne
Type d’activité
Higher or Secondary Education Establishments
Liens
Coût total
€ 1 499 632,50

Bénéficiaires (1)