Les archives de Peyresq

19ème Édition de l'École d'Été en Traitement du Signal et des Images

Le thème 2025

Crédit :

L'édition 2025 qui a eu lieu du 22 au 28 juin 2025 avait pour thématique principale :

Quantification d’incertitude : fondamentaux et avancées récentes

Résumé

Le thème de la quantification d’incertitude — UQ en anglais — s’est progressivement constitué en tant que communauté scientifique au cours des vingt dernières années, quelque part à l’intersection des statistiques, de l’apprentissage, des mathématiques appliquées et de l’ingénierie. En permettant de comprendre et de gérer les incertitudes inhérentes aux données et aux modèles, qu’ils soient mécanistes ou empiriques (data-driven), les techniques de quantification d’incertitudes jouent ou sont appelées à jouer un rôle fondamental dans l’analyse des modèles numériques, l’apprentissage automatique et la prise de décision en contexte incertain.

Les questions abordées dans ce domaine sont variées, et continuent de faire l’objet de recherches actives : Comment évaluer la sensibilité d’un modèle à ses différentes entrées ? Comment intégrer les données et les connaissances préalables dans une approche probabiliste cohérente ? Comment garantir des prédictions fiables dans des contextes où les hypothèses classiques sont mises à mal ? Comment prendre en compte l’incertitude induite par l’utilisation de modèles de substitution (ou méta-modèles) lorsque les modèles numériques ou les expériences physiques sont coûteux ? Comment, compte tenu des incertitudes, collecter efficacement des données dans un contexte ou celles-ci sont rares ou coûteuses à obtenir ?

Pour répondre à ces défis, une palette de méthodes avancées a émergé, incluant l’analyse de sensibilité globale, les approches bayésiennes, les techniques de prédiction conforme, et l’utilisation de modèles probabilistes flexibles — tels que les processus gaussiens — pour la méta-modélisation, l’optimisation et plus généralement l’exploration séquentielle de modèles numériques. Ces méthodes trouvent des applications dans une grande variété de domaines: modélisation environnementale, ingénierie, biostatistique, intelligence artificielle…

Cette école d’été a pour objectif de présenter quelques aspects importants du domaine de la quantification d’incertitude, en mettant l’accent à la fois sur les fondements théoriques et sur la mise en œuvre pratique des méthodes. Sur chaque sujet, les intervenants s’attacheront à présenter à la fois les méthodes classiques et des avancées récentes. En complément, des sessions ouvertes permettront aux participants de présenter leurs travaux, d’échanger sur leurs expériences et de confronter leurs idées.

Informations

L'essentiel

L'affiche

Le comité d'organisation

Présidence
  • André Ferrari, Professeur des Universités, Laboratoire Lagrange, Univ. Côte d’Azur
  • Guillaume Ginolhac, Professeur des Universités, LISTIC, Univ. Savoie Mont Blanc
Direction scientifique

Le programme détaillé

  • Approche bayésienne : de la décision optimale aux algorithmes d’échantillonnage (5 h)
    Jean-François Giovannelli, Professeur des Universités, IMS, Univ. Bordeaux
  • Analyse de sensibilité de modèles numériques (5 h)
    Bertrand Iooss, Chercheur Senior, EDF R&D, SINCLAIR AI Lab
  • Prédiction conforme, quels défis pour les modèles numériques (5 h)
    Sébastien Da Veiga, Professeur associé, CREST, ENSAI
  • Introduction à la quantification d’incertitude : enjeux en traitement du signal et des images à l'ONERA (2 h)
    Sidonie Lefebvre, Ingénieur de Recherche, ONERA
  • Régression par processus gaussiens (2 h)
    Victor Picheny, Directeur de la recherche, Secondmind
  • Apprentissage séquentiel : optimisation bayésienne et approches dérivées (2 h)
    Mickaël Binois, Chargé de recherche, Centre Inria d'Université Côte d'Azur