NeurIPS 2020 : 12 papiers sélectionnés pour présentation


Les organisateurs de la conférence annuelle sur les systèmes de traitement de l’information neuronale – NeurIPS 2020, la plus importante et prestigieuse conférence dans le domaine de l’intelligence artificielle et du machine learning, viennent de publier la liste des papiers scientifiques acceptés pour présentation.

Parmi eux, 12 articles co-écrits par des chercheurs ENSAE-CREST viennent réaffirmer la position de l’ENSAE Paris dans ces champs de recherche :

  • Projection Robust Wasserstein Distance and Riemannian Optimization
    Tianyi Lin, Chenyou Fan, Nhat Ho, Marco Cuturi, Michael Jordan
  • Fixed-Support Wasserstein Barycenters: Computational Hardness and Fast Algorithm
    Tianyi Lin, Nhat Ho, Xi Chen, Marco Cuturi, Michael Jordan
  • Entropic Optimal Transport between (Unbalanced) Gaussian Measures has a Closed Form
    Hicham Janati, Boris Muzellec, Gabriel Peyré, Marco Cuturi
  • Locally private non-asymptotic testing of discrete distributions is faster using interactive mechanisms
    Thomas Berrett, Cristina Butucea
  • Statistical Efficiency of Thompson Sampling for Combinatorial Semi-Bandits
    Pierre Perrault, Etienne Boursier, Michal Valko, Vianney Perchet
  • Learning with Differentiable Pertubed Optimizers
    Quentin Berthet, Mathieu Blondel, Olivier Teboul, Marco Cuturi, Jean-Philippe Vert, Francis Bach
  • Exploiting Higher Order Smoothness in Derivative-free Optimization and Continuous Bandits
    Arya Akhavan, Massimiliano Pontil, Alexandre Tsybakov
  • Robustness of Community Detection to Random Geometric Perturbations
    Sandrine Peche, Vianney Perchet
  • Linear Time Sinkhorn Divergences using Positive Features
    Meyer Scetbon, Marco Cuturi
  • A Non-Asymptotic Analysis for Stein Variational Gradient Descent
    Anna Korba, Adil Salim, Michael Arbel, Giulia Luise, Arthur Gretton
  • The Wasserstein Proximal Gradient Algorithm
    Adil Salim, Anna Korba, Giulia Luise
  • Penalized Langevin dynamics with vanishing penalty for smooth and log-concave targets
    Avetik Karagulyan, Arnak Dalalyan