Skip to main content
Przejdź do strony domowej Komisji Europejskiej (odnośnik otworzy się w nowym oknie)
polski pl
CORDIS - Wyniki badań wspieranych przez UE
CORDIS

Efficient infinite-dimensional optimization over measures

Opis projektu

Nowe narzędzia do poprawy próbkowania i radzenia sobie z niepewnością modeli

Próbkowanie złożonych rozkładów prawdopodobieństwa jest niezbędne w takich dziedzinach jak uczenie maszynowe, gdzie pomaga modelować niepewność lub generować nowe dane, takie jak obrazy lub tekst. Obecne metody zmagają się jednak ze złożonymi przestrzeniami, są trudne do oceny, nieefektywne obliczeniowo i ograniczają się do prostszych scenariuszy (przestrzeni euklidesowych). Finansowany przez ERBN projekt OptInfinite stworzy ujednolicone ramy dla wydajnego próbkowania w ogólnych, a nawet nieskończenie wymiarowych przestrzeniach. Naukowcy wykorzystają narzędzia optymalnej geometrii transportu i informacji do opracowywania nowych metod optymalizacji. Rezultatem będzie potężny zestaw narzędzi do rozwiązywania zaawansowanych problemów optymalizacyjnych i udoskonalania technik próbkowania.

Cel

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.

Dziedzina nauki (EuroSciVoc)

Słowa kluczowe

Program(-y)

Temat(-y)

System finansowania

HORIZON-ERC - HORIZON ERC Grants

Wyświetl wszystkie projekty finansowane w ramach tego programu finansowania

Zaproszenie do składania wniosków

(odnośnik otworzy się w nowym oknie) ERC-2025-STG

Wyświetl wszystkie projekty finansowane w ramach tego zaproszenia

Instytucja przyjmująca

GROUPE DES ECOLES NATIONALES D ECONOMIE ET STATISTIQUE
Wkład UE netto
€ 1 499 632,00
Adres
5 AVENUE HENRY LE CHATELIER
91120 Palaiseau
Francja
Region
Ile-de-France Ile-de-France Essonne
Rodzaj działalności
Higher or Secondary Education Establishments
Linki
Koszt całkowity
€ 1 499 632,50

Beneficjenci (1)