Nous vous rappelons que, afin de garantir l'accès de tous les inscrits aux salles de réunion, l'inscription aux réunions est gratuite mais obligatoire.
Inscriptions closes à cette réunion.
40 personnes membres du GdR ISIS, et 1 personnes non membres du GdR, sont inscrits à cette réunion.
Capacité de la salle : 80 personnes.
Les représentations parcimonieuses des signaux et des images reposent sur l'utilisation de dictionnaires redondants de formes d'ondes typiques de certaines classes de signaux ou d'images. Leur utilisation a connu un essor considérable ces dernières années notamment dans les domaines de la restauration, de la compression, de la séparation de sources et des problèmes inverses. Il existe de forts liens, notamment algorithmiques, entre ces modèles parcimonieux et la théorie statistique de l'apprentissage et de la sélection de modèle, et ses applications en apprentissage automatique.
L'objectif global de la journée est de favoriser la rencontre entre les communautés françaises du traitement du signal / de l'apprentissage statistique qui participent de concert au développement rapide du concept de parcimonie et à ses applications, depuis les fondement statistiques et théoriques jusqu'aux dernières avancées algorithmiques.
La journée sera organisée autour d'exposés invités qui permettront de dessiner l'état de l'art du domaine et des défis à venir.
Organisateurs: Rémi Gribonval et Francis Bach.
Stephane Mallat (CMAP, Ecole Polytechnique)
Signal classes are usually invariant to groups of
operators such as translations or scalings, and to larger Lie groups of
deformations.
Invariants and dimensionality reduction play major roles
for classification, as opposed to sparse complete representations.
Constructing invariants while keeping discriminant information deeply
constraints the representation. We introduce a non-linear invariant
representation, that reminds quantum scattering. It is implemented
through the architecture of a deep neural network, but learning is
needed at a single layer, and computed with O(N) operations.
State of the art results are shown for image classification of deformed patterns and random textures.
Part of this work is described in the preprint http://arxiv.org/abs/1011.3023, joint with Joan Bruna.
Odalric-Ambrym Maillard (Equipe SEQUEL, INRIA Lille - Nord Europe)
I will present recent works on least-squares regression using randomly generated subspaces.
In this approach, the regression function is the
empirical risk minimizer in a low dimensional randomly generated
subspace of a high (possibly infinite) dimensional function space.
This approach can be seen as an alternative to usual
penalization techniques. Approximation error and excess risk bounds are
derived and the issue of numerical complexity will be discussed. This
is joint work with Rémi Munos and is described in the papers:
Matthieu Kowalski (L2S, Université Paris-Sud 11)
Les décompositions parcimonieuses et structurées des
signaux dans des dictionnaires de formes d'ondes peuvent s'obtenir par
un modèle explicite dans le domaine des coefficients.
On s'intéresse dans une première partie aux approches
variationnelles, où les normes mixtes permettent d'introduire des
couplages sur les coefficients préalablement organisés en groupes.
L'optimisation des fonctionnelles s'effectue alors par des algorithmes
de seuillage itératifs. En modifiant directement les opérateurs de
seuillage, on peut introduire plus de flexibilité sur le couplage des
coefficients, en particulier grâce à un Group-Lasso fenêtré.
Dans une seconde partie, on regardera des modèles de type
Bernoulli-Gaussien, éventuellement multi-varié, pour la décomposition
hybrides des signaux (aussi appelée décomposition en composantes
morphologiques). Une telle approche à l'avantage de fournir un
seuillage adaptatif des coefficients, et ainsi de s'affranchir des
réglages parfois fastidieux d'hyper-paramètres intervenant dans les
approches variationnelles.
Guillaume Obozinski (Equipe WILLOW, INRIA - ENS Paris)
La parcimonie structurée recouvre les modèles
parcimonieux pour lesquels, en plus d'une contrainte sur le nombre de
variables ou de paramètres, on dispose également d'un a priori sur la
forme ou la structure de l'ensemble des paramêtres non nuls - ou
"support".
Cet exposé considére des méthodes de régularisation
convexe qui permettent d'obtenir des estimateurs parcimonieux
structurés et s'intéresse à leur application à l'apprentissage de
dictionnaire, soit pour contraindre le support des élements du
dictionnaire, soit pour structurer le dictionnaire dans son ensemble.
Plusieurs applications seront présentées notamment en vision, traitement d'image et modélisation de bases de données textuelles.
Camille Couprie (Laboratoire d'Informatique Gaspard Monge, Université Paris-Est)
Auteurs : Camille Couprie, Jean-Christophe Pesquet, Nelly Pustelnik et Hugues Talbot
Dans cet exposé, nous énoncerons quelques résultats récents sur les algorithmes proximaux parallèles et nous nous intéresserons à leur application pour la résolution de problèmes d'optimisation en imagerie et en vision par ordinateur. Nous montrerons que ces algorithmes peuvent constituer des alternatives intéressantes aux méthodes classiques d'optimisation (méthodes de point intérieur notamment) quand le nombre de données est grand et que des fonctions objectifs non différentiables interviennent, comme c'est souvent le cas dans les modèles parcimonieux.
Erwan Lepennec (Equipe SELECT, INRIA Saclay - Université Paris-Sud)
en collaboration avec K. Bertin (Univ. Valparaiso) et V. Rivoirard (Univ. Paris Dauphine).
Dans cet exposé, notre but sera de construire des estimateurs d'une densité inconnue comme combinaisons linéaires des fonctions d'un dictionnaire donné. Inspirée de l'approche de Candès et Tao, la résolution de ce problème s'appuiera sur des algorithmes de minimisation l1 sous des contraintes de type Danzig. Ces dernières seront construites à l'aide d'inégalités de concentration fines. Nous établirons des inégalités oracle sous des hypothèses de cohérence du dictionnaire. Ces résultats théoriques seront ensuite étendus aux estimateurs Lasso naturellement associés à notre procédure. La calibration de ces procédures sera également étudiée. Enfin, nous décrirons les résultats numériques de ces algorithmes.
Onur Dikmen & Cédric Févotte - CNRS LTCI; Télécom ParisTech
We describe an alternative to standard nonnegative matrix factorisation (NMF) for nonnegative dictionary learning, i.e.,
the task of learning a dictionary with nonnegative values from
nonnegative data, under the assumption of nonnegative expansion
coefficients.
Popular cost functions in NMF include the Kullback-Leibler and Itakura-Saito divergences, which underlie Poisson and Gaussian statistical composite models. From this statistical
viewpoint NMF can be considered the maximisation of the joint
likelihood of the dictionary and the expansion coefficients. This approach lacks optimality because the number of parameters (which include the expansion coefficients) grows with the number of observations.
In this paper we describe variational Bayes and Monte-Carlo EM algorithms for optimisation of the marginal likelihood, i.e.,
the likelihood of the dictionary where the expansion coefficients have
been integrated out (given suitable priors). We compare the output of
maximum joint likelihood estimation (i.e, standard NMF) and maximum
marginal likelihood estimation (MMLE) on real and synthetical datasets.
The MMLE approach is shown to embed automatic model order selection,
akin to automatic relevance determination, and to yield better results
on face recognition and music decomposition tasks.
Alexandre Tsybakov (Laboratoire de Statistiques, CREST)
This talk considers the model of trace regression where one observes linear combinations of entries of an unknown matrix corrupted by noise. We are particularly interested in high-dimensional setting, i.e., the dimension of the matrix can be much larger than the sample size, whereas we assume that its rank is small. This talk discusses the estimation of the underlying matrix under the low rank assumption, with a particular emphasis on matrix completion. We derive non-asymptotic upper bounds for the prediction and estimation risks of the suggested methods and show that some of them are optimal.
Date : 2010-11-10
Lieu : Telecom Paristech - B312
Thèmes scientifiques :
A - Méthodes et modèles en traitement de signal
Inscriptions closes à cette réunion.
Accéder au compte-rendu de cette réunion.
(c) GdR IASIS - CNRS - 2024.