Lorenzo Rosasco

Lorenzo Rosasco

par Lorenzo Rosasco

Sciences formelles & physiques IA — Modèles & Recherche UYQIntelligence artificielle (IA)UYQMApprentissage par la machine
🎙 Lorenzo Rosasco 👥 4K 📅 3 mai 2026 ⏱ 31 min 👁 42 📄 conférence 🧭 2026-08-13
Disponible en : Français (actuel) English

Mots-clés

systèmes dynamiquesprévisionopérateur de Koopmanprocessus de Markovapprentissage supervisé

Résumé

Lorenzo Rosasco, professeur à l’Université de Gênes, présente une introduction à l’apprentissage de systèmes dynamiques ergodiques. Il commence par formaliser le problème de prévision à partir d’une seule trajectoire tronquée, en supposant que le processus est un processus de Markov uniformément géométriquement ergodique. Il introduit l’opérateur de Frobenius-Perron et la fonction de régression optimale F*, analogue de la fonction de régression en apprentissage supervisé standard. Il propose un estimateur par moindres carrés régularisé (ridge) et analyse ses propriétés théoriques. Sous des hypothèses d’universalité ou de bonne spécification du modèle, il obtient des bornes de convergence avec des taux explicites. Il souligne que le passage de données i.i.d. à une trajectoire unique n’affecte pas les taux mais introduit un terme de dérive et modifie les constantes. Il étend ensuite le cadre aux états vectoriels, à la prévision multi-pas et aux espaces d’états finis (prédiction de tokens). Enfin, il aborde l’opérateur de Koopman, qui décrit l’évolution d’observables, et discute de son apprentissage en restreignant la classe d’observables et en paramétrant l’opérateur. Il mentionne des extensions possibles comme la convergence spectrale.

178 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée : l’exposé fournit une analyse théorique rigoureuse de l’apprentissage de systèmes dynamiques, avec des résultats de convergence explicites. L’argumentation est solide, s’appuyant sur des preuves mathématiques et des références à la littérature. L’orateur prend soin de distinguer les hypothèses et de discuter des limites, notamment en ce qui concerne les constantes de l’ergodicité géométrique. Il met en évidence les différences avec l’apprentissage i.i.d. et propose des extensions pratiques.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est exemplaire : les hypothèses sont clairement énoncées, les preuves sont esquissées et les résultats sont replacés dans le contexte de la littérature. Les sources citées (Glynn et Ormone 2002, etc.) sont pertinentes et crédibles. L’adéquation titre/contenu est bonne : le titre est simplement le nom du conférencier, ce qui est courant pour une conférence académique, et le contenu correspond à un exposé de recherche.

157 mots

Adéquation titre / contenu

Le titre est minimaliste (nom du conférencier) mais correspond au format d'une conférence académique.

Qualité & fiabilité

8/10

Exposé technique rigoureux par un chercheur reconnu, s'appuyant sur des résultats publiés et des preuves mathématiques. Les hypothèses sont clairement énoncées et les limites discutées.

Moments clés

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

Sources citées

  • Glynn, P. W., & Ormoneit, D. (2002). Hoeffding's inequality for uniformly ergodic Markov chains — Référence pour la concentration de type Bernstein pour les chaînes de Markov ergodiques

Sources concordantes

  • Glynn, P. W., & Ormoneit, D. (2002). Hoeffding's inequality for uniformly ergodic Markov chains — Source citée pour la concentration

Apport & nouveautés

L’apport original réside dans l’analyse théorique de l’apprentissage de systèmes dynamiques à partir d’une seule trajectoire, en mettant en évidence les différences avec le cadre i.i.d. L’orateur propose des bornes de convergence explicites et discute des hypothèses nécessaires. Il étend le cadre à l’opérateur de Koopman, ouvrant des perspectives pour l’analyse spectrale de systèmes non linéaires.

Pour aller plus loin :

88 mots

Profil radar

Le profil radar montre une très haute qualité d'information et un niveau technique élevé, avec une fiabilité globale solide. La quantité d'information est également importante, mais la note globale est légèrement inférieure en raison de la spécialisation du sujet.

Fiabilité 8/10