Titre : Bayes variationnel et au-delà : Inférence bayésienne pour les mégadonnées
Présentateur : Tamara Broderick, MIT; tamarab@mit.edu
Date : dimanche 13 juin 2021
Heure : 11h00 - 15h00 (HAE)
Description :
Les méthodes bayésiennes présentent un certain nombre de propriétés souhaitables pour l'analyse moderne des données --- notamment
- une quantification cohérente de l'incertitude,
- un cadre de modélisation modulaire capable de saisir des phénomènes complexes,
- la capacité d'intégrer des informations préalables provenant d'une source experte, et
- la possibilité d'interprétation.
En pratique, cependant, l'inférence bayésienne nécessite l'approximation d'une intégrale à haute dimension, et certains algorithmes traditionnels utilisés à cet effet peuvent être lents --- notamment aux échelles de données d'intérêt actuel. Le tutoriel traitera des outils modernes pour une inférence bayésienne rapide et approximative à l'échelle. Un cadre de travail de plus en plus populaire est fourni par le « Bayes variationnel » (VB), qui formule l'inférence bayésienne comme un problème d'optimisation. Nous examinerons les principaux avantages et pièges de l'utilisation du VB dans la pratique, en mettant l'accent sur le sous-type très répandu de « Bayes variationnel en champ moyen » (MFVB). Nous mettrons en évidence les propriétés que toute personne travaillant avec VB, de l'analyste de données au théoricien, devrait connaître. Outre le VB, nous aborderons brièvement les techniques récentes de synthèse des données pour l'inférence bayésienne évolutive qui sont assorties de garanties théoriques de qualité des données finies. Nous motiverons notre exploration tout au long par des exemples pratiques tirés de l’analyse de données et soulignerons un certain nombre de problèmes ouverts dans ce domaine.