Conférence : A Mutiscale Tour of Harmonic Analysis and Machine Learning
visuel workshop S. Mallat (avril 2023) Événement

« A Mutiscale Tour of Harmonic Analysis and Machine Learning », une conférence en l’honneur de Stéphane Mallat

portrait Stéphane MallatStéphane Mallat, professeur au Collège de France en science des données, sera à l’honneur lors d’une conférence de trois jours, du 19 au 21 avril 2023, organisée par Joan Bruna (New York Univ.) et Gabriel Peyré (CNRS-ENS). à l’occasion de son soixantième anniversaire.

Inscription obligatoire sur la page web dédiée.


Au cours des dernières décennies, l’analyse des données et l’apprentissage automatique font désormais partie de toutes les facettes de la société – de la santé à la lutte contre le changement climatique – et jouent un rôle déterminant dans la recherche scientifique. Développer les fondements mathématiques de l’analyse des données est donc aujourd’hui de plus en plus important.

L’analyse de données moderne combine le défi statistique, de l’extraction d’informations utiles à partir de données bruitées, complexes et de grande dimension, avec le défi de la modélisation des processus physiques et biologiques, ainsi que le défi computationnel de la conception d’algorithmes efficaces en grande dimension. En tant que tel, la construction de leurs fondements mathématiques est un défi interdisciplinaire unique.

L’analyse harmonique s’est rapidement imposée comme un socle pour lancer de telles fondations. Au fil du temps, le domaine a réussi à construire des descriptions mathématiques précises des phénomènes physiques naturels, tels que les images naturelles, les ondes sismiques ou la parole, aboutissant à une théorie mature du traitement du signal et des problèmes inverses, pour n’en citer que quelques-uns. Cette théorie a développé des concepts fondamentaux tels que la parcimonie et l’analyse multi-résolution, avec des garanties statistiques et informatiques précises.

Dans ce contexte, la révolution des données de la dernière décennie, menée par l’apprentissage automatique et les réseaux de neurones, ainsi que leurs nombreux succès en ingénierie et en science informatique, a donné à la communauté mathématique un nouvel élan pour étendre les fondations existants et créer de nouvelles interfaces entre les disciplines – où l’analyse harmonique joue un rôle central. En effet, ses principes fondamentaux, à savoir utiliser la géométrie du domaine physique pour définir les concepts d’échelle et de fréquence (et les exploiter pour vaincre la “malédiction de la grande dimension”), sont aujourd’hui liés à des domaines tels que les neurosciences, le transport optimal, la physique statistique ou l’optimisation, pour répondre aux nouveaux enjeux de l’apprentissage profond. 

Le but de cette rencontre est donc de réunir quelques-uns des personnages de cette histoire, passés, présents et futurs, et de célébrer les 60 ans de l’un d’entre eux : Stéphane Mallat, professeur au Collège de France en science des données.

Son parcours à travers l’analyse harmonique, l’apprentissage automatique et la physique a eu une profonde influence sur la façon dont ces domaines ont évolué et se sont intégrés, et ouvrent maintenant de nouvelles voies dans notre compréhension théorique de l’analyse de données moderne.

Retrouvez la liste des conférencières et conférenciers invité·e·s :

  • Ruzena Bajcsy (Berkeley)
  • Freddy Bruckstein (Technion)
  • Emmanuel Candes (Stanford)
  • Xiuyuan Cheng (Duke)
  • Maureen Clerc (INRIA)
  • Maarten De Hoop (Rice)
  • David Donoho (Stanford)
  • Michael Elad (Technion)
  • Frederic Falzon (Thales)
  • Remi Gribonval (INRIA)
  • Stephane Jaffard (Créteil)
  • Jerome Kalifa (Let it Care)
  • Hamid Krim (North Carolina State University)
  • Gitta Kutyniok (München)
  • Yann LeCun (New York University and Meta)
  • Eric Moulines (Polytechnique)
  • Edouard Oyallon (CNRS and Sorbonne)
  • Naoki Saito (UC Davis)
  • Guillermo Sapiro (Duke)
  • Shihab Shamma (Maryland)
  • Eero Simoncelli (New York University)
  • Jean-Jacques Slotine (MIT)
  • Michael Unser (EPFL)
  • Martin Vetterli (EPFL)
  • Irene Waldspurger (CNRS and Dauphine)
  • Bin Yu (Berkeley)