Conférence ICML 2019

La Conférence internationale sur l’apprentissage statistique (ICML) est le premier rassemblement de professionnels dédiés à l’avancement de cette branche de l’intelligence artificielle appelée apprentissage automatique ou machine learning. ICML est mondialement réputé pour la présentation et la publication de travaux de recherche de pointe sur tous les aspects de l’apprentissage automatique utilisés dans des domaines étroitement liés tels que l’intelligence artificielle, les statistiques et la science des données, ainsi que dans d’importants domaines d’application tels que la vision artificielle, la biologie informatique, la reconnaissance de la parole et la robotique.

ICML est l’une des conférences sur l’intelligence artificielle dont la croissance est la plus rapide au monde. Cette année, ICML accueillera plus de 8 000 participants d’horizons très divers, allant des chercheurs universitaires et industriels aux entrepreneurs et ingénieurs, en passant par les étudiants et les post-doctorants. Neuf articles présentés par des membres de la chaire ont été acceptés pour cette édition 2019 : ceux de Stephan Clémençon, Olivier Fercoq, Robert M. Gower, Pierre Laforgue, Eugene Ndiaye, Gaël Richard et Umut Simsekli.

Almost surely constrained convex optimization
Olivier Fercoq (Télécom Paris) · Ahmet Alacaoglu (EPFL) · Ion Necoara (University Bucharest) · Volkan Cevher (EPFL)

A conditional gradient-based augmented Lagrangian framework
Alp Yurtsever (EPFL) · Olivier Fercoq (Télécom Paris) · Volkan Cevher (EPFL)

A Tail-Index Analysis of Stochastic Gradient Noise in Deep Neural Networks
Umut Simsekli (Télécom Paris) · Levent Sagun (CEA) · Mert Gurbuzbalaban (Rutgers University)

Non-Asymptotic Analysis of Fractional Langevin Monte Carlo for Non-Convex Optimization
Thanh Huy Nguyen (Télécom Paris) · Umut Simsekli (Télécom Paris) · Gaël Richard (Télécom Paris)

On Medians of (Randomized) Pairwise Means
Stephan Clémençon (Télécom Paris) · Pierre Laforgue (Télécom Paris) · Patrice Bertail (Université Paris Nanterre)

Optimal mini-batch size for stochastic variance reduced methods
Nidham Gazagnadou (Télécom Paris) · Robert Gower (Télécom Paris) · Joseph Salmon (Université de Montpellier)

Safe Grid Search with Optimal Complexity
Eugene Ndiaye (Télécom Paris) · Tam Le (RIKEN AIP) · Olivier Fercoq (Télécom Paris) · Joseph Salmon (Université de Montpellier) · Ichiro Takeuchi (Nagoya Institute of Technology / RIKEN)

Sliced-Wasserstein Flows: Nonparametric Generative Modeling via Optimal Transport and Diffusions
Antoine Liutkus (Inria) · Umut Simsekli (Télécom Paris) · Szymon Majewski (IMPAN) · Alain Durmus (ENS) · Fabian-Robert Stöter (Inria)

SGD with Arbitrary Sampling: General Analysis and Improved Rates
Xun Qian (KAUST) · Peter Richtarik (KAUST) · Robert M. Gower (Télécom Paris) · Alibek Sailanbayev (King Abdullah University of Science and Technology) · Nicolas Loizou (The University of Edinburgh) · Egor Shulgin (Moscow Institute of Physics and Technology)