Stagiaire Machine Learning & Optimisation

Stage de fin d'études réalisé au sein du LPSM de l'Université Paris Cité, centré sur la conception et l'implémentation de méthodes d'optimisation stochastique.

• Conception et implémentation de méthodes d'optimisation stochastique pour améliorer la robustesse des modèles de Machine Learning en présence de données aberrantes.
• Développement d'algorithmes de gradient stochastique fondés sur l'approche Median-of-Means (MOM), avec réduction du biais et identification dynamique du bloc médian afin d'éviter l'évaluation de la fonction de perte sur l'ensemble du jeu de données.
• Extension de l'approche aux médianes de Wasserstein et conception d'algorithmes pour leur calcul sur des mesures de probabilité discrètes.
• Implémentation des solutions sous Python/PyTorch et réalisation d'une comparaison expérimentale des méthodes en termes de robustesse, de performance et de coût de calcul.
• Travaux ayant conduit à la préparation d'un article scientifique en collaboration avec Tam Le.