Réunion Transport optimal et ses applications en machine learning et analyse de données

En raison de sa capacité à comparer des distributions de probabilités, le transport optimal a suscité l’intérêt de la communauté du machine learning. Il est désormais un outil largement adopté dans de nombreuses applications de ML, telles que la classification, l’analyse de graphes ou de données cellulaires, ainsi que les modèles génératifs, et constitue aujourd’hui une composante clé de nombreux modèles performants.

Cette réunion a pour but de présenter les dernières avancées sur le transport optimal, sa théorie, ses variantes (Schrödinger bridge, transport non balancé, distance de Gromov-Wasserstein, transport optimal sur des géometries non euclidiennes) et ses applications (modèles génératifs, flow matching, graphes, etc.)

Cette journée se tiendra à l’Ecole normale supérieure de Lyon. Elle propose de faire un état des lieux sur les travaux en cours sur ces problèmes fondamentaux et appelle à des contributions sur les thèmes (non exhaustifs) suivants :

• Résultats fondamentaux en transport (convergence, convexité)
• Algorithme et résolution des problèmes de TO et TO régularisé
• Apprentissage multi-tâche, transfert, adaptation de domaine et graphes
• Barycentres de Wasserstein, modélisation de distributions
• Distance de Wasserstein, Gromov-Wasserstein, TO non balancé, Sliced Wasserstein, TO entre distributions sur des espaces non euclidiens
• Applications aux modèles génératifs: Schrödinger bridge, flow matching
• Applications au machine learning sur données structurées
• Applications au traitement du signal
• Applications à la vision par ordinateur
• Applications aux séries temporelles