Grant: Discovery Grants Program - Individual
Université de Sherbrooke
$24,000.00
Solutions numériques de modèles d'équilibre
FY 2018-19
Summary
Mon programme de recherche s'articule autour de l'étude d'algorithmes d'optimisation mathématique continue. Mes travaux actuels portent sur la robustesse, fiabilité et efficacité des algorithmes, en particulier pour des problèmes comportant diverses formes de dégénérescence. Je suis activement impliqué dans des projets d'applications en reconstruction tomographique et en apprentissage machine, sources de motivation pour l'étude de modèles de tailles énormes. L'acquisition comprimée et l'optimisation éparse sont également apparentées à ces applications.*L'objectif général de mon programme de recherche vise à une meilleure compréhension et l'amélioration d'algorithmes d'optimisation et se regroupe en quelques thèmes. Les méthodes de second ordre (Newton) étant prises comme référence, deux objectifs sont d'exploiter des variantes d'ordre supérieur et d'utiliser des méthodes d'ordre un dans les algorithmes de poursuite de trajectoires. Pour les problèmes de taille énorme, des algorithmes plus simples d'ordre un sont souvent privilégiés. *Donc, une bonne partie de mes préoccupations sont d'ordre théorique et visent l'avancement des connaissances sur les algorithmes d'optimisation non-linéaire continue. Néanmoins, une source constante de motivation provient des applications. Il subsiste toutefois un écart considérable entre les besoins appliqués et la théorie des algorithmes. Par exemple, dans l'entrainement de réseaux de neurones profonds, on utilise de manière routinière des variantes de l'algorithme de gradient incrémental ou de l'algorithme de descente de gradient stochastique. On tente également d'accélérer les calculs en regroupant les données en mini-lots. Or, la théorie mathématique de ces algorithmes est très peu développée pour de tels problèmes non-convexes. De plus, les applications utilisent souvent des variantes algorithmiques connues pour ne pas converger vers la véritable solution optimale. Malheureusement, les variantes que l'on peut valider mathématiquement ne sont pas forcément aussi efficaces en pratique.*Tout en poursuivant l'avancement des connaissances, je me préoccupe donc également de combler l'écart entre la pratique et la théorie. Les retombées de mes travaux auront un impact sur les applications notamment dans les problèmes d'imagerie et dans les problèmes d'apprentissage machine.*
Program
Discovery Grants Program - Individual
Recipient
Location
Quebec, Canada
Recipient Type
Academia
Type
Grant
Source
NSERC's Awards Data
As published
Application id
RGPIN-2015-04741
Name nom
Dussault, JeanPierre
Department département
Informatique
Organization id
68
Institution établissement
Université de Sherbrooke
Province en
Québec
Province fr
Québec
Country en
CANADA
Country fr
CANADA
Fiscal year exercice financier
2018
Competition year année de concours
2015
Award amount
24000
Program id
RGPIN
Program name en
Discovery Grants Program - Individual
Program name fr
Programme de subventions à la découverte - individuelles
Group en
Discovery grants programs
Group fr
Programmes de subventions à la découverte
Committee code
1507
Committee name en
Computer Science
Committee name fr
Sciences informatiques
Area of application code
1200
Area of application group en
Advancement of knowledge
Area of application group fr
Avancement des connaissances
Area of application en
Advancement of knowledge
Area of application fr
Avancement des connaissances
Research subject code
2715
Research subject group en
Information technology
Research subject group fr
Technologie de l'information
Research subject en
Optimization
Research subject fr
Optimisation
Partie
4
Nb partie
5
Application title
Solutions numériques de modèles d'équilibre
Keyword
NSERC
Application summary
Mon programme de recherche s'articule autour de l'étude d'algorithmes d'optimisation mathématique continue. Mes travaux actuels portent sur la robustesse, fiabilité et efficacité des algorithmes, en particulier pour des problèmes comportant diverses formes de dégénérescence. Je suis activement impliqué dans des projets d'applications en reconstruction tomographique et en apprentissage machine, sources de motivation pour l'étude de modèles de tailles énormes. L'acquisition comprimée et l'optimisation éparse sont également apparentées à ces applications.*L'objectif général de mon programme de recherche vise à une meilleure compréhension et l'amélioration d'algorithmes d'optimisation et se regroupe en quelques thèmes. Les méthodes de second ordre (Newton) étant prises comme référence, deux objectifs sont d'exploiter des variantes d'ordre supérieur et d'utiliser des méthodes d'ordre un dans les algorithmes de poursuite de trajectoires. Pour les problèmes de taille énorme, des algorithmes plus simples d'ordre un sont souvent privilégiés. *Donc, une bonne partie de mes préoccupations sont d'ordre théorique et visent l'avancement des connaissances sur les algorithmes d'optimisation non-linéaire continue. Néanmoins, une source constante de motivation provient des applications. Il subsiste toutefois un écart considérable entre les besoins appliqués et la théorie des algorithmes. Par exemple, dans l'entrainement de réseaux de neurones profonds, on utilise de manière routinière des variantes de l'algorithme de gradient incrémental ou de l'algorithme de descente de gradient stochastique. On tente également d'accélérer les calculs en regroupant les données en mini-lots. Or, la théorie mathématique de ces algorithmes est très peu développée pour de tels problèmes non-convexes. De plus, les applications utilisent souvent des variantes algorithmiques connues pour ne pas converger vers la véritable solution optimale. Malheureusement, les variantes que l'on peut valider mathématiquement ne sont pas forcément aussi efficaces en pratique.*Tout en poursuivant l'avancement des connaissances, je me préoccupe donc également de combler l'écart entre la pratique et la théorie. Les retombées de mes travaux auront un impact sur les applications notamment dans les problèmes d'imagerie et dans les problèmes d'apprentissage machine.*