Adapt. & Nonlin. Designs for Large-Scale Multiple Hypothesis

Rob Nowak (Univ. du Wisconsin) - "Adaptive and Nonlinear Designs for Large-Scale Multiple Hypothesis Testing"
---
Ron DeVore (Professeur au Département de Mathématiques de l'Université Texas A&M, lauréat 2009 de la Chaire d'Excellence de la Fondation Sciences Mathématiques de Paris) et Albert Cohen (Professeur à l'UPMC) organisent les 21 et 22 juin 2010 deux journées thématiques autour des Problèmes en grande dimension.

Dans plusieurs domaines importants de la science, on est confronté à la nécessité de retrouver des fonctions de nombreuses variables, soit à partir de très grandes quantités de données, soit à partir de modèles mathématiques complexes. La difficulté de cette reconstruction réside dans ce que l'on appelle couramment "la malédiction des grandes dimensions", c'est-à-dire le fait que l'approximation numérique d'une telle fonction va nécessiter une puissance de calcul de plus en plus importante à mesure que le nombre de variables actives augmente.
Cet atelier réunit plusieurs experts mondiaux sur cette question de problèmes en grande dimension. Ils discuteront de leurs travaux récents sur des thèmes tel que l'apprentissage de variétés, les EDP stochastiques et paramétriques, et la reconstruction optimale.
-----
Several important areas of science are confronted with the having to recover a functions of many variables either from large data sets or from complex mathematical models. Such recovery is inhibited by what is commonly called the 'curse of dimensionality' which says the numerical approximation of such a function will require inordinately more computation as the number of active variables increases. This workshop will bring together the world's leading experts on high dimensional problems to discuss their recent research in areas such as manifold learning, stochastic and parametric PDEs, and optimal recovery.