Kimia Nadjahi, prix du meilleur article étudiant à ICASSP 2020
mercredi 6 mai 2020
La conférence ICASSP 2020, qui s’est tenue à distance en mai 2020, porte sur le traitement du signal : des capteurs à l’information, et aborde des problématiques au cœur de la science des données. Le prix du meilleur article d’étudiant a été décerné par un comité d’experts qui a voulu récompenser le caractère novateur, l’impact et la qualité de l’article ainsi que de sa présentation orale.
Kimia est doctorante en deuxième année à Télécom Paris, où elle est encadrée par Umut Şimşekli et Roland Badeau. Ses principaux centres d’intérêts de recherche sont la statistique inférentielle et le transport optimal. En particulier, sa recherche vise à mieux comprendre comment les méthodes pratiques de transport optimal, de statistique inférentielle et de modélisation générative implicite peuvent être combinées afin de résoudre des problèmes d’apprentissage statistique à grande échelle.
Approximate Bayesian Computation (ABC) désigne une classe de méthodes très populaire pour faire de la statistique inférentielle dans des modèles génératifs dont la vraisemblance est difficile à calculer mais peut facilement être simulée pour générer des données. Ces méthodes estiment la distribution postérieure en trouvant les paramètres du modèle pour lesquels les données générées sont proches des données observées selon des statistiques descriptives. Ces statistiques sont définies à l’avance et peuvent causer une perte d’information, et il a été démontré que ceci déteriore la qualité de l’approximation. Afin de résoudre ce problème, la méthode Wasserstein-ABC a récemment été présentée et propose de comparer les ensembles de données en utilisant la distance de Wasserstein entre leurs distributions empiriques, mais elle ne parvient pas à bien s’adapter à la dimension des données ni à leur nombre. Cet article propose une nouvelle technique de type ABC, appelée Sliced-Wasserstein ABC, et basée sur la distance de Sliced-Wasserstein, qui est plus pratique à calculer. Dans cet article, les auteurs prouvent deux résultats théoriques justifiant le bon comportement asymptotique de leur méthode, et illustrent ses avantages pratiques sur des données synthétiques et un problème de débruitage d’image.