Aukosh Jagannath, professeur adjoint aux départements de statistique et de science actuarielle et mathématiques appliquées de l’Université de Waterloo, a remporté un prestigieux prix de l’article exceptionnel à NeurIPS 2022.

NeurIPS, abréviation de Neural Information Processing Systems, est la principale conférence internationale pour la recherche sur l’IA et l’apprentissage automatique. Elle reçoit des milliers de soumissions par an, et sur les quelque 20 % qui sont acceptées, seules quelques-unes sont récompensées par les prix de l’article exceptionnel.

L’article de Jagannath est intitulé « High-Dimensional Limit Theorems for SGD: Effective Dynamics and Critical Scaling ». Il l’a corédigé avec Gerard Ben Arous, professeur de mathématiques à l’Université de New York, et Reza Gheissari, professeur adjoint de mathématiques à l’Université Northwestern.

L’article étudie les limites d’échelle de la descente de gradient stochastique (SGD) avec une taille de pas constante dans le régime de haute dimension, montrant à quel point la SGD peut être complexe si la taille de pas est grande. « Caractériser la nature de l’EDS et la comparer à l’EDO lorsque la taille du pas est petite », écrivent les auteurs, « donne un aperçu du paysage de l’optimisation non convexe ».

Jagannath, qui est arrivé à Waterloo en 2019, travaille sur l’interface entre la physique mathématique, la science des données mathématiques, l’optimisation et la statistique en haute dimension. « C’est un véritable honneur ! » dit-il à propos du prix. « C’est agréable de savoir que la ligne de travail que Gerard, Reza et moi avons développée ces dernières années commence à être remarquée par la communauté plus large de l’IA et de l’apprentissage automatique. »