✔ Nouveau papier accepté à SIAM/ASA Journal on Uncertainty Quantification, journal d’excellence. Félicitations à l'équipe DEEL France-Québec, et plus particulièrement à Sébastien Gerchinovitz et Étienne de Montbrun 👏 ANITI Toulouse , Institut de Mathématiques de Toulouse, IRT AESE - Saint Exupéry, Toulouse School of Economics,
🟣 Nouveau papier accepté à SIAM/ASA Journal on Uncertainty Quantification, journal d’excellence avec un Impact factor de 2.179 (Web of Science), 2.041 (Scopus) et un H index de 28 (Google Scholar) ! 👉 Dans le cadre de la thèse ANITI Toulouse d’Étienne de Montbrun soutenue le 13/11/2023, nous avons étudié un problème d’optimisation boîte noire multi-fidélité, c’est-à-dire où la fonction peut être évaluée à différents niveaux de précision pour un coût dépendant de la qualité demandée. 👉 Ce problème survient typiquement pour l’optimisation de gros codes de calcul dont le temps d’exécution est long, mais qu’on peut approcher de façon dégradée en temps plus court. Nos travaux ont porté sur les algorithmes certifiés, qui fournissent une garantie sur l’erreur d’optimisation calculable en fonction des données observées. Nous avons proposé un algorithme et montré qu’il est quasi-optimal pour l’optimisation certifiée de fonctions Lipschitz, elles même facteur de robustesse. Étienne de Montbrun and Sébastien Gerchinovitz, Certified Multi-Fidelity Zeroth-order Optimization, 2024 (👉https://lnkd.in/dqV5pt7g). To appear in SIAM/ASA Journal on Uncertainty Quantification (👉https://lnkd.in/dXVgqkCX). ➖ 🟣 New paper accepted by SIAM/ASA Journal on Uncertainty Quantification, a journal of excellence with an Impact factor of 2.179 (Web of Science), 2.041 (Scopus) and an H index of 28 (Google Scholar)! 👉 As part of the PhD thesis by Etienne de Montbrun (defended on November 13th, 2023), we studied a multi-fidelity black-box optimization problem, in which the function can be evaluated with various accuracies, with a cost that depends on the requested accuracy. Such a problem can occur when optimizing a computationally costly simulation code, which can be approximated at a low resolution with small computational cost. 👉 Our work focussed on certified algorithms, which provide optimization error guarantees that can be computed using the available data. We designed an algorithm and proved that is nearly optimal for certified multi-fidelity optimization of Lipschitz functions. Étienne de Montbrun and Sébastien Gerchinovitz, Certified Multi-Fidelity Zeroth-order Optimization (👉https://lnkd.in/dqV5pt7g), 2024. To appear in SIAM/ASA Journal on Uncertainty Quantification (👉https://lnkd.in/dXVgqkCX). DEEL France-Québec