{"id":3653,"date":"2023-03-22T10:32:41","date_gmt":"2023-03-22T09:32:41","guid":{"rendered":"http:\/\/gretsi.fr\/colloque2023\/?p=3653"},"modified":"2023-08-15T00:11:54","modified_gmt":"2023-08-14T22:11:54","slug":"conferences-plenieres","status":"publish","type":"post","link":"https:\/\/gretsi.fr\/colloque2023\/conferences-plenieres\/","title":{"rendered":"Conf\u00e9rences Pl\u00e9ni\u00e8res"},"content":{"rendered":"\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
<\/div>\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t

Conf\u00e9rences pl\u00e9ni\u00e8res invit\u00e9es<\/h1>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t
\n\t\t\t\t

Le Colloque GRETSI’23 sera honor\u00e9 par les interventions en sessions pl\u00e9ni\u00e8res de plusieurs personnalit\u00e9s scientifiques de renomm\u00e9e internationale.<\/p>\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t<\/i>\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t

Gersende Fort <\/span> <\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t
\n\t\t\t\t

Directrice de Recherche CNRS, Institut de Math\u00e9matiques de Toulouse<\/a><\/h4>\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t
\n\t\t\t\t

\"\"\u00a0https:\/\/perso.math.univ-toulouse.fr\/gfort\/<\/a><\/p>\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t

L\u2019Approximation Stochastique au-del\u00e0 du Gradient<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t
Mardi 29 ao\u00fbt - Auditorium - 08:30-09:30<\/h5>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t
\n\t\t\t\t

\"\"R\u00e9sum\u00e9 : En Apprentissage statistique, de nombreuses analyses et m\u00e9thodes reposent sur l\u2019optimisation, dont ses versions stochastiques pour, par exemple, pallier l\u2019absence d\u2019expression explicite de la fonction objectif, ou r\u00e9duire le co\u00fbt computationnel de la proc\u00e9dure d\u00e9terministe.<\/p>

En 1951, H. Robbins et S. Monro introduisaient un nouvel algorithme \u00ab M\u00e9thode d\u2019Approximation Stochastique \u00bb pour le calcul du zero d\u2019une fonction d\u00e9finie par une esp\u00e9rance non explicite. Cet algorithme, it\u00e9ratif, met \u00e0 jour le param\u00e8tre en rempla\u00e7ant \u00e0 chaque it\u00e9ration, l\u2019esp\u00e9rance inconnue par un seul tirage Monte Carlo. Cette m\u00e9thode s\u2019est ensuite g\u00e9n\u00e9ralis\u00e9e, d\u00e9finissant des proc\u00e9dures d\u2019optimisation stochastique pour la recherche de zeros d\u2019un champs moyen non explicite pour lequel on dispose d\u2019oracles al\u00e9atoires.<\/p>

Les algorithmes de Gradient Stochastique sont certainement les versions les plus connues de l\u2019Approximation Stochastique. Moins connues, sont les versions qualifi\u00e9es \u00ab au-del\u00e0 du gradient stochastique \u00bb : tout d\u2019abord elles reposent sur des oracles possiblement biais\u00e9s du champs moyen, et ce champs moyen n\u2019est pas le gradient d\u2019une fonction. Ces situations surgissent dans de nombreux exemples d\u2019apprentissage statistique moderne : citons les algorithmes de gradient stochastique compress\u00e9, des versions stochastiques d\u2019algorithmes Majoration-Minoration dont l\u2019algorithme Expectation-Maximization, ou des algorithmes utilis\u00e9s en apprentissage par renforcement tels que l\u2019algorithme Temporal Difference learning.<\/p>

L\u2019objectif de cette pr\u00e9sentation est tout d\u2019abord de souligner, \u00e0 l\u2019aide de quelques exemples, les raisons pour lesquelles l\u2019\u00e9tude de ces algorithmes de \u00ab non-gradient \u00bb ne peut r\u00e9sulter de ce qu\u2019il se fait pour le cas gradient notamment, et plus g\u00e9n\u00e9ralement le cas d\u2019oracles non biais\u00e9s. La mise en \u0153uvre de ces algorithmes d\u2019Approximation Stochastique de type non-gradient, ainsi qu\u2019une proc\u00e9dure de r\u00e9duction de variance seront discut\u00e9es. Enfin, l\u2019impact de la pr\u00e9sence de biais dans les oracles stochastiques sur la convergence en moyenne des algorithmes en un nombre fini d\u2019it\u00e9rations, sera aussi analys\u00e9.<\/p>\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t

Biographie<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t
\n\t\t\t\t

Gersende Fort<\/strong> est Directrice de Recherche CNRS \u00e0 l\u2019Institut de Math\u00e9matiques de Toulouse.<\/p>

Dipl\u00f4m\u00e9e de l\u2019Ecole Nationale Sup\u00e9rieure des T\u00e9l\u00e9communications en 1997, elle a obtenu un Doctorat de Math\u00e9matiques Appliqu\u00e9es de l\u2019Universit\u00e9 Paris VI en 2001, et une Habilitation \u00e0 Diriger les Recherches de l\u2019Universit\u00e9 Paris IX en 2010. Elle devient chercheur CNRS en 2001, travaillant tout d\u2019abord au Laboratoire Jean Kuntzmann \u00e0 Grenoble, puis au Laboratoire Traitement et Communication de l\u2019Information \u00e0 Paris de 2005 \u00e0 2016, et enfin \u00e0 l\u2019Institut de Math\u00e9matiques de Toulouse depuis 2016. Depuis 2014, elle est aussi Professeur \u00e0 temps partiel au Centre de Math\u00e9matiques Appliqu\u00e9es de l\u2019Ecole Polytechnique.<\/p>

Ses travaux de recherche portent sur l\u2019Optimisation Stochastique et l\u2019\u00e9chantillonnage Monte Carlo pour l\u2019Apprentissage Statistique. Son expertise inclut, plus pr\u00e9cis\u00e9ment, les m\u00e9thodes d\u2019Approximation Stochastique, les algorithmes de Majoration-Minoration stochastiques dont notamment les proc\u00e9dures de type Expectation-Maximization, les m\u00e9thodes d\u2019\u00e9chantillonnage d\u2019importance adaptatives et les algorithmes de Monte Carlo par Cha\u00eenes de Markov. Ses contributions portent aussi sur la th\u00e9orie des Cha\u00eenes de Markov, th\u00e9orie sur laquelle repose l\u2019\u00e9tude du bien-fond\u00e9 d\u2019\u00e9chantillonneurs Monte Carlo et dans une moindre mesure, celle d\u2019algorithmes stochastiques adaptatifs. Initialement motiv\u00e9s par les probl\u00e8mes inverses bay\u00e9siens, ses travaux consid\u00e8rent des applications en apprentissage grande \u00e9chelle, en apprentissage en ligne et, en apprentissage f\u00e9d\u00e9r\u00e9. En 2019, la Fondation Simone et Cino Del Duca de l\u2019Institut de France lui a d\u00e9cern\u00e9 une subvention scientifique pour ses recherches sur l\u2019entrelacement des m\u00e9thodes d\u2019optimisation et des proc\u00e9dures Monte Carlo.<\/p>\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t<\/i>\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t

Philippe Ciuciu <\/span> <\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t
\n\t\t\t\t

Directeur de Recherche CEA, Neurospin<\/a><\/h4>\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t
\n\t\t\t\t\"\"\u00a0https:\/\/philippeciuciu.fr<\/a>\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t

\u00c0 la recherche de la perfection : l'imagerie c\u00e9r\u00e9brale dans toute sa splendeur<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t
Jeudi 31 ao\u00fbt - Auditorium - 13:45-14:45<\/h5>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t
\n\t\t\t\t

\"\"R\u00e9sum\u00e9 :\u00a0L\u2019imagerie par r\u00e9sonance magn\u00e9tique (IRM) est la modalit\u00e9 de r\u00e9f\u00e9rence pour sonder les tissus mous c\u00e9r\u00e9braux, leur structure et leur organisation fonctionnelle. Actuellement, l\u2019IRM repose sur un processus d\u2019acquisition lent, souvent inconfortable pour le patient, qui in fine<\/i> est source d\u2019artefacts limitant ainsi le diagnostic et la r\u00e9solution effective des images.<\/p>

Cette conf\u00e9rence illustrera comment mon \u00e9quipe contribue \u00e0 une imagerie par IRM plus rapide, plus pr\u00e9cise et plus sensible \u00e0 ultra-haut champ magn\u00e9tique (7 Tesla).<\/p>

Acc\u00e9l\u00e9rer le processus d\u2019acquisition en IRM reste un enjeu actuel majeur, notamment pour atteindre la haute r\u00e9solution (e.g. 600\u00b5m isotrope) en un temps d\u2019examen court (< 3 min). Bien que cette th\u00e9matique ait fait l\u2019objet de nombreux travaux ces quinze derni\u00e8res ann\u00e9es, \u00e0 travers une application partielle et souvent limit\u00e9e de la th\u00e9orie de l\u2019\u00e9chantillonnage compressif, la plupart des sch\u00e9mas d\u2019acquisition acc\u00e9l\u00e9r\u00e9e mis en \u0153uvre par les constructeurs (Siemens, Philips, GE), se contentent de mesurer un sous-ensemble de trajectoires usuelles dans l\u2019espace de Fourier, induisant soit une perte d\u2019information cruciale soit un gain en temps limit\u00e9. Cette conf\u00e9rence sera d\u2019abord l\u2019occasion de pr\u00e9senter nos travaux intitul\u00e9s SPARKLING (Spreading Projection Algorithm for Rapid K-space sampLING), une m\u00e9thode d\u2019optimisation permettant de g\u00e9n\u00e9rer de nouvelles trajectoires d\u2019\u00e9chantillonnage plus efficaces, qui a trouv\u00e9 son origine dans une collaboration \u00e9troite entre math\u00e9maticiens, traiteurs de signaux et physiciens et qui permet d\u00e9sormais d\u2019acc\u00e9der \u00e0 une imagerie de susceptibilit\u00e9 3D courante \u00e0 600\u00b5m isotrope en 2mn30sec, tant dans le contexte de la recherche acad\u00e9mique que clinique, \u00e0 3 Tesla comme \u00e0 7 Tesla. Je discuterai comment le point de vue du traiteur de signaux a permis r\u00e9cemment de faire \u00e9merger de nouvelles extensions (MORE-SPARKLING, GoLF-SPARKLING) beaucoup plus robustes \u00e0 diff\u00e9rentes sources d\u2019artefacts, pour des applications prometteuses en imagerie fonctionnelle comme m\u00e9tabolique.<\/p>

Dans la seconde partie partie de cette conf\u00e9rence, je pr\u00e9senterai comment l\u2019apprentissage profond a permis ces derni\u00e8res ann\u00e9es d\u2019acc\u00e9l\u00e9rer le processus de reconstruction d\u2019images IRM \u00e0 partir de donn\u00e9es sous-\u00e9chantillonn\u00e9es, tout en am\u00e9liorant leur qualit\u00e9. Notre architecture de r\u00e9seau de neurones\u00a0 de r\u00e9f\u00e9rence (e.g. XPDNet), ancr\u00e9e dans les m\u00e9thodes de \u00ab\u00a0d\u00e9roulement\u00a0\u00bb d\u2019algorithmes d\u2019optimisation, s\u2019est class\u00e9e 2\u00e8me du challenge international fastMRI en 2020. J\u2019illustrerai notamment sa capacit\u00e9 de g\u00e9n\u00e9ralisation sur des donn\u00e9es \u00e0 7T non vues pendant l\u2019entra\u00eenement, puis ses g\u00e9n\u00e9ralisations \u00e0 diff\u00e9rents contextes comme l\u2019imagerie 3D non-cart\u00e9sienne ou l\u2019imagerie s\u2019\u00e9cartant du mod\u00e8le direct de Fourier pour mieux corriger certains artefacts.<\/p>

Enfin, alors que les deux parties pr\u00e9c\u00e9dentes peuvent sembler dissoci\u00e9es, je pr\u00e9senterai rapidement comment nous les avons unifi\u00e9es r\u00e9cemment dans la m\u00e9thode PROJeCTOR\u00a0 gr\u00e2ce \u00e0 un cadre d\u2019apprentissage conjoint de trajectoires d\u2019\u00e9chantillonnage et de r\u00e9seaux de neurones pour la reconstruction, et en quoi ce cadre fournit des sources d\u2019inspiration pour de nouveaux travaux ces prochaines ann\u00e9es.<\/p>\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t<\/i>\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t

Wendy Mackay <\/span> <\/h2>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t
\n\t\t\t\t

Directrice de Recherche INRIA, ex)situ<\/a>, Universit\u00e9 Paris Saclay<\/a><\/h4>\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t
\n\t\t\t\t\"\"\u00a0https:\/\/ex-situ.lri.fr\/people\/mackay<\/a>\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t

\u00a0Les\u00a0partenariats\u00a0humain-machine :\u00a0interagir avec\u00a0l\u2019intelligence\u00a0artificielle<\/h4>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t
Lundi 28 ao\u00fbt - Auditorium - 14:00-15:00<\/h5>\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t
\n\t\t\t\t

R\u00e9sum\u00e9 : A venir.<\/p>\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t

\n\t\t\t\t
\n\t\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"

Le Colloque GRETSI’23 sera honor\u00e9 par les interventions en sessions Prestige et Pl\u00e9ni\u00e8res de plusieurs personnalit\u00e9s scientifiques de renomm\u00e9e internationale.<\/p>\n","protected":false},"author":1,"featured_media":2418,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"elementor_header_footer","format":"standard","meta":{"site-sidebar-layout":"no-sidebar","site-content-layout":"page-builder","ast-global-header-display":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"disabled","ast-breadcrumbs-content":"","ast-featured-img":"disabled","footer-sml-layout":"","theme-transparent-header-meta":"default","adv-header-id-meta":"","stick-header-meta":"default","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","footnotes":""},"categories":[28,15],"tags":[33,47],"class_list":["post-3653","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-colloque","category-news","tag-conference","tag-pleniere"],"_links":{"self":[{"href":"https:\/\/gretsi.fr\/colloque2023\/wp-json\/wp\/v2\/posts\/3653"}],"collection":[{"href":"https:\/\/gretsi.fr\/colloque2023\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/gretsi.fr\/colloque2023\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/gretsi.fr\/colloque2023\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/gretsi.fr\/colloque2023\/wp-json\/wp\/v2\/comments?post=3653"}],"version-history":[{"count":44,"href":"https:\/\/gretsi.fr\/colloque2023\/wp-json\/wp\/v2\/posts\/3653\/revisions"}],"predecessor-version":[{"id":4130,"href":"https:\/\/gretsi.fr\/colloque2023\/wp-json\/wp\/v2\/posts\/3653\/revisions\/4130"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/gretsi.fr\/colloque2023\/wp-json\/wp\/v2\/media\/2418"}],"wp:attachment":[{"href":"https:\/\/gretsi.fr\/colloque2023\/wp-json\/wp\/v2\/media?parent=3653"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/gretsi.fr\/colloque2023\/wp-json\/wp\/v2\/categories?post=3653"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/gretsi.fr\/colloque2023\/wp-json\/wp\/v2\/tags?post=3653"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}