ICM 2026 Invited Section Lecture – Laurent Massoulie

Valeur des informations & solidité de l’argumentation

VALEUR DES INFORMATIONS & SOLIDITÉ DE L’ARGUMENTATION. Le contenu est d’une grande valeur scientifique car il présente des résultats récents et originaux sur un problème fondamental de la statistique mathématique, à la croisée de la théorie des probabilités, de la combinatoire et de l’informatique théorique. L’argumentation est rigoureuse, s’appuyant sur des preuves formelles, des théorèmes énoncés avec précision et des constructions explicites d’algorithmes. L’exposé est clair et structuré, avec des analogies et des schémas pour faciliter la compréhension. La solidité de l’argumentation est renforcée par la comparaison avec des résultats antérieurs, la discussion des limites des approches et la proposition de conjectures pour approfondir le sujet.

Rigueur scientifique, qualité des sources, adéquation du titre

RIGUEUR SCIENTIFIQUE, QUALITÉ DES SOURCES, ADÉQUATION TITRE/CONTENU. La rigueur scientifique est exemplaire : le conférencier cite de nombreuses références bibliographiques (comme les travaux d’Erdős-Rényi, de Koulina et Kavash, de Ma et al., de Ding et al., etc.) et situe ses travaux dans la littérature. La qualité des sources est élevée, avec des articles de référence et des collaborations reconnues. L’adéquation entre le titre et le contenu est parfaite, la conférence traitant exactement du sujet annoncé, sans digressions superflues.

Le titre correspond exactement au contenu : une conférence invitée de section présentant des travaux sur les seuils computationnels dans les statistiques en haute dimension, appliqués à l'alignement de graphes.

9/10

Conférence invitée à l'ICM par un expert de renom, présentant des résultats mathématiques rigoureux, avec preuves et références à des travaux antérieurs.

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

• 02:00Introduction à la statistique en haute dimension et à la notion de seuil computationnel.
• 05:00Présentation du problème d'alignement de graphes et de ses applications.
• 08:00Modèle de graphes aléatoires corrélés basé sur des graphes d'Erdős-Rényi.
• 12:00Résultats antérieurs et seuil informationnel pour l'alignement parfait.
• 16:00Algorithmes locaux de type message-passing et seuil critique lié à la constante d'Otter.
• 20:00Passage au cas des matrices gaussiennes et méthodes spectrales.
• 25:00Analyse de la relaxation convexe et de ses seuils de performance.
• 30:00Conclusion et perspectives de recherche.

• Article de Koulina et Kavash (2016) sur le seuil d'alignement parfait de graphes — Cité comme condition nécessaire et suffisante pour retrouver l'entièreté de la permutation lorsque le degré moyen dans le graphe d'intersection est logarithmique.
• Travaux de Ma et al. (2022) et Ding et al. (2023) sur la dureté faible-degré — Cité lors de la discussion sur les résultats de dureté algorithmique pour l'alignement de graphes.
• Travaux de Ding et Lee (2023) sur l'alignement de matrices gaussiennes — Mentionné comme amélioration significative dans le cas gaussien, avec un algorithme polynomial non implémentable en pratique.
• Travaux de Fan et al. (2023) sur une méthode spectrale — Cité comme une approche spectrale capable de réussir pour un bruit relativement faible dans le modèle gaussien.