Date : Vendredi 4 avril 2025
Heure : 10h30–12h00 heure Pacifique
Lieu : En ligne ou en personne au Earth Sciences Building (ESB) 5104, 2207 Main Mall, Université de la Colombie-Britannique, Vancouver, C.-B.
Cet événement spécial représente une convergence du séminaire INCASS SSC sur les innovations en statistique et en science des données et du séminaire Constance van Eeden, un événement annuel organisé à l’Université de la Colombie-Britannique.
Le séminaire INCASS SSC est une nouvelle série coparrainée par l’INCASS et la Société statistique du Canada (SSC) qui réunit des chercheurs distingués en sciences statistiques dans les universités membres de l’INCASS à travers le Canada. La série favorise les interactions entre des chercheurs de premier plan et des membres du corps professoral et des étudiants en sciences statistiques, en particulier dans les petits établissements.
Le séminaire Constance van Eeden est un événement annuel au cours duquel les étudiants diplômés du Département de statistique de l’Université de la Colombie-Britannique (UBC) votent pour leurs statisticiens préférés. Le gagnant est contacté par le comité d’organisation et invité à donner une conférence lors du séminaire du département. L’orateur passe un ou deux jours sur le campus et les étudiants diplômés ont la possibilité de déjeuner et de dîner avec lui.
Pour vous inscrire en ligne ou en personne, visitez la page Web de l’événement.
L’intervenant de cette année est le Dr Arnaud Doucet, professeur de statistique à l’Université d’Oxford et chercheur principal chez Google DeepMind. Ses recherches portent sur le développement et l’analyse de méthodes de calcul efficaces pour l’inférence et l’apprentissage, l’apprentissage automatique, le traitement du signal et d’autres domaines connexes.
Sa conférence s’intitule « From Diffusion Models to Schrödinger Bridges—When Generative Modeling Meets Optimal Transport ».
(En anglais) Denoising diffusion models have revolutionized generative modeling. Conceptually, these methods define a transport mechanism from a noise distribution to a data distribution. Recent advancements have extended this framework to define transport maps between arbitrary distributions, significantly expanding the potential for unpaired data translation. However, existing methods often fail to approximate optimal transport maps, which are theoretically known to possess advantageous properties. In this talk, we will show how one can modify current methodologies to compute Schrödinger bridges—an entropy-regularized variant of dynamic optimal transport. We will demonstrate this methodology on a variety of unpaired data translation tasks.