Thèse Optimisation Non-Lisse pour l'Apprentissage Profond -- Mise au Point et Analyse des Algorithmes H/F - Doctorat.Gouv.Fr

Établissement : Université Grenoble Alpes École doctorale : MSTII - Mathématiques, Sciences et technologies de l'information, Informatique Laboratoire de recherche : Laboratoire Jean Kuntzmann Direction de la thèse : Jerôme MALICK ORCID 0000000303710457 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-10-01T23:59:59 L'objectif de cette thèse est de construire des théories mathématiques pour analyser et concevoir des algorithmes d'optimisation à grande échelle, non convexe et non lisse. En particulier, la thèse explorera les questions de recherche suivantes :
1. Quelles sont les propriétés de convergence des algorithmes d'optimisation dans des contextes non convexes et non lisses (par exemple, la convergence vers des points critiques, l'évitement des minima parasites) ?
2. Quel est le biais algorithmique implicite de ces algorithmes (c'est-à-dire, certains minima sont-ils systématiquement préférés à d'autres) ?
3. Quelles sont les propriétés statistiques des solutions sélectionnées par ces algorithmes ?

Ces questions sont au coeur de la recherche actuelle en optimisation et en apprentissage automatique. Pour y répondre, le doctorant s'appuiera sur des outils issus de l'analyse variationnelle, de l'optimisation non lisse et de la littérature croissante sur la théorie de l'optimisation en apprentissage profond. Dans le cadre de la chaire MIAI-SOL avec Quoc-Tung LE, Mathieu BESANCON, et Jerome MALICK

excellent niveau en maths et info