Explore les modèles de signaux concis, la détection compressive, la parcimonie, les normes atomiques et la minimisation non lisse en utilisant la descente de sous-gradient.
Explore la minimisation non lisse, la détection compressive, la récupération de signal clairsemée et les représentations simples à l'aide d'ensembles atomiques et d'atomes.
Couvre les problèmes linéaires, le LASSO et l'AMP dans l'apprentissage supervisé, y compris les modèles linéaires généralisés et les modèles N-dimensionnels.
Explore l'optimalité des splines pour l'imagerie et les réseaux neuraux profonds, démontrant la sparosité et l'optimalité globale avec les activations des splines.
Explore la descente progressive stochastique avec la moyenne, la comparant avec la descente progressive, et discute des défis dans l'optimisation non convexe et les techniques de récupération clairsemées.
Explore la reconstruction du champ sonore à basse fréquence dans les salles, mettant l'accent sur les modes de salle, la décomposition modale et la validation numérique.
Par David Millard explore l'estimation des paramètres des objets déformables dans les tâches de manipulation robotique, en se concentrant sur les défis et les solutions dans le traitement de la dynamique complexe et en utilisant des techniques d'éléments finis.
Introduit la conjugaison Fenchel, explorant ses propriétés, exemples et applications dans les problèmes d'optimisation non lisses et les formulations minimax.
Explore les méthodes d'optimisation primal-dual, les algorithmes, la convergence et les applications dans l'optimisation non convexe et la déconvolution d'image.
