BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//CERN//INDICO//EN
BEGIN:VEVENT
SUMMARY:Stochastic Gradient Langevin Dynamics pour l'échantillonnage des 
 distributions a posteriori (faiblement) log-concaves
DTSTART:20260602T120000Z
DTEND:20260602T130000Z
DTSTAMP:20260615T140800Z
UID:indico-event-16670@indico.math.cnrs.fr
DESCRIPTION:Speakers: Marelys Crespo-Navas (Université Paris-Est)\n\nCe t
 ravail porte sur l'étude d'un algorithme de type Langevin conçu pour l'
 échantillonnage d'une mesure de probabilité définie sur R^d qui est la
 rgement utilisé pour l'échantillonnage de distributions postérieures. C
 et algorithme est une version en temps continu du Stochastic Gradient Lang
 evin Dynamics\, qui incorpore une étape d'échantillonnage stochastique d
 ans la diffusion de Langevin sur amortie traditionnelle.\nL'analyse est m
 enée dans un cadre faiblement convexe\, paramétré à l'aide de l'inéga
 lité de Kurdyka–Łojasiewicz (KL). Cette approche permet de traiter des
  configurations avec une courbure décroissante et est beaucoup moins rest
 rictive que le cas fortement convexe. On a établi des estimations explici
 tes non-asymptotiques du temps de simulation nécessaire pour obtenir une 
 epsilon-approximation (en termes de la divergence de Kullback-Leibler). Un
 e attention particulière est accordée au coût de calcul\, en tenant com
 pte du nombre d'observations (n) générant la distribution postérieure\,
  de la dimension de l'espace ambiant (d) où se trouve le paramètre d'int
 érêt\, ainsi que du paramètre r impliqué dans l'inégalité KL\, qui v
 arie de 0 (cas fortement log-concave) à 1 (cas limite de Laplace).\n\nhtt
 ps://indico.math.cnrs.fr/event/16670/
LOCATION:GI-UTC
URL:https://indico.math.cnrs.fr/event/16670/
END:VEVENT
END:VCALENDAR