Yohann De Castero (EC-Lyon) - Parsimonious Inference On Unsupervised Problems: Incorporating Off-the-grid Updates

Wednesday Oct 14, 2026, 10:30 AM → 12:00 PM Europe/Paris

Dans de nombreux problèmes d'apprentissage non supervisé et de problèmes inverses (super-résolution, déconvolution, séparation de sources), l'objectif est de reconstruire un signal ou une distribution parcimonieuse à partir d'observations bruitées. Historiquement, les approches classiques reposent sur la discrétisation de l'espace des paramètres sous forme de grilles fixes (méthodes on-the-grid type Lasso). Cependant, ces méthodes souffrent du "problème de base" (basis mismatch) : si les vrais paramètres ne tombent pas exactement sur la grille, la solution estimée perd en précision et génère des artefacts de parcimonie.

Cet exposé se propose de dresser un panorama des méthodes de régularisation continue dites off-the-grid, qui permettent de surmonter cette limitation en optimisant directement sur l'espace continu des mesures de Radon. Nous explorerons comment ces techniques permettent d'obtenir une inférence parcimonieuse exacte sans recourir à une discrétisation a priori avec une application détaillée au problème des mélanges en apprentissage non-supervisé.