Le transport optimal pour l'apprentissage machine

 Le transport optimal est un outil naturel pour comparer de manière géométrique des distributions de probabilité. Il trouve des applications à la fois pour l'apprentissage supervisé (pour la classification) et pour l'apprentissage non supervisé (pour entrainer des réseaux de neurones génératifs). Le transport optimal souffre cependant de la "malédiction de la dimension", le nombre d'échantillons nécessaires pouvant croitre exponentiellement vite avec la dimension. Dans cet exposé, j'expliquerai comment tirer parti de techniques de régularisation entropique afin d'approcher de façon rapide le transport optimal et de réduire l'impact de la dimension sur le nombre d'échantillons nécessaires. Plus d'informations et de références peuvent être trouvées sur le site de notre livre "Computational Optimal Transport" https://optimaltransport.github.io/