Séminaire : Anthony Bardou "Time‑varying Bayesian optimization (TVBO)"

Anthony Bardou donnera un séminaire en anglais intitulé "Time‑varying Bayesian optimization (TVBO)"

Résumé
L’optimisation bayésienne temporelle (Time-Varying Bayesian Optimization, TVBO) s’attaque au problème fondamental de l’optimisation en ligne lorsque des fonctions coûteuses de type « boîte noire » évoluent au cours du temps. Malgré de solides résultats empiriques, ce domaine ne bénéficie pas encore des garanties théoriques établies pour l’optimisation bayésienne statique, et doit relever des défis spécifiques, tels que la modélisation spatio-temporelle, la gestion des données obsolètes et l’absence de fondements théoriques robustes. Lors de ce séminaire, je commencerai par présenter ces défis, puis je proposerai un cadre unifié qui analyse de manière rigoureuse les compromis inévitables entre fréquence d’échantillonnage, vitesse de dérive et performance atteignable auxquels la TVBO est confrontée. Ce cadre associe résultats théoriques et recommandations pratiques afin d’améliorer significativement les performances des algorithmes de TVBO sur des problèmes synthétiques et réels. J’illustrerai ces avancées — développées en collaboration avec le Prof. Patrick Thiran (École polytechnique fédérale de Lausanne - EPFL) — à travers nos résultats majeurs sur l’élagage de données [1] et les bornes de regret cumulatif des algorithmes de TVBO [2, 3].

[1] https://arxiv.org/abs/2405.14540[2] https://arxiv.org/abs/2505.13012[3] https://arxiv.org/abs/2501.18963

Biographie
Anthony Bardou est chercheur en optimisation en ligne, à l’interface entre théorie et applications réelles. Il est actuellement post-doctorant au sein du laboratoire INDY de l’EPFL. En 2023, il a obtenu son doctorat à l’École Normale Supérieure de Lyon. Sa thèse, consacrée à l’optimisation « boîte noire » des réseaux sans fil, a reçu le prix de la meilleure thèse 2024 du GDR RSD/ASF ainsi que deux prix du meilleur article (MSWiM’22, AlgoTel’22). Ses travaux récents développent la théorie de l’optimisation bayésienne dans des contextes temporellement variables et de grande dimension, avec des applications pratiques dans les réseaux sans fil, publiés dans les meilleures conférences des communautés Machine Learning et Réseaux de communication.