BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Département de mathématiques et applications - ECPv6.2.2//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:Département de mathématiques et applications
X-ORIGINAL-URL:https://www.math.ens.psl.eu
X-WR-CALDESC:évènements pour Département de mathématiques et applications
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:Europe/Paris
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20260329T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20261025T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20260316T110000
DTEND;TZID=Europe/Paris:20260316T120000
DTSTAMP:20260418T012508
CREATED:20260309T084102Z
LAST-MODIFIED:20260309T084102Z
UID:21065-1773658800-1773662400@www.math.ens.psl.eu
SUMMARY:Marylou Gabrié - De l’utilisation des modèles génératifs en échantillonnage
DESCRIPTION:Les modèles génératifs profonds paramètrent des familles de distributions très flexibles\, capables de representer des ensembles de données complexes\, tels que des images ou du texte. Ces modèles fournissent des échantillons indépendants provenant de distributions complexes de haute dimension à un coût négligeable. En revanche\, échantillonner exactement une distribution cible\, comme une loi posterior Bayésienne ou la distribution de Boltzmann d’un système physique\, est généralement difficile : soit en raison de la dimensionnalité\, de la multimodalité\, du mauvais conditionnement\, soit d’une combinaison de ces facteurs. Dans cet exposé\, je discuterai des opportunités et des défis liés à l’amélioration des algorithmes traditionnels d’inférence et d’échantillonnage à l’aide de l’apprentissage.
URL:https://www.math.ens.psl.eu/evenement/marylou-gabrie-de-lutilisation-des-modeles-generatifs-en-echantillonnage/
LOCATION:Salle W (ENS)
CATEGORIES:Séminaire informel de probabilités
END:VEVENT
END:VCALENDAR