Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano it
CORDIS - Risultati della ricerca dell’UE
CORDIS

Efficient infinite-dimensional optimization over measures

Descrizione del progetto

Nuovi strumenti per migliorare il campionamento e gestire l’incertezza nei modelli

Il campionamento da distribuzioni di probabilità complesse è essenziale in campi come l’apprendimento automatico, dove aiuta a modellare l’incertezza o a generare nuovi dati, come immagini o testi. Tuttavia, i metodi attuali si scontrano con spazi complessi, sono difficili da valutare, sono inefficienti dal punto di vista computazionale e sono limitati a contesti più semplici (spazi euclidei). Il progetto OptInfinite, finanziato dal CER, realizzerà un quadro unificato per il campionamento efficiente in spazi generali, anche di dimensioni infinite. Usando gli strumenti del trasporto ottimale e della geometria dell’informazione, l’équipe di ricerca svilupperà nuovi metodi di ottimizzazione. Il risultato sarà un potente set di strumenti per risolvere problemi di ottimizzazione avanzati e migliorare le tecniche di campionamento.

Obiettivo

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.

Campo scientifico (EuroSciVoc)

Parole chiave

Programma(i)

Argomento(i)

Meccanismo di finanziamento

HORIZON-ERC - HORIZON ERC Grants

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

(si apre in una nuova finestra) ERC-2025-STG

Vedi tutti i progetti finanziati nell’ambito del bando

Istituzione ospitante

GROUPE DES ECOLES NATIONALES D ECONOMIE ET STATISTIQUE
Contributo netto dell'UE
€ 1 499 632,00
Indirizzo
5 AVENUE HENRY LE CHATELIER
91120 Palaiseau
Francia
Regione
Ile-de-France Ile-de-France Essonne
Tipo di attività
Higher or Secondary Education Establishments
Collegamenti
Costo totale
€ 1 499 632,50

Beneficiari (1)