Emmanuel Abbé reçoit le prix Frontier of Science Award
Emmanuel Abbé. Crédit: EPFL
Emmanuel Abbé, professeur à l'EPFL, s'est vu décerner le prix Frontier of Science 2024 pour ses travaux pionniers sur l'analyse en composantes principales et le regroupement spectral.
Les prix Frontier of Science (FSA) sont décernés par l'International Congress for Basic Science pour récompenser les meilleurs travaux de recherche des cinq dernières années qui font preuve d'une valeur académique et d'une originalité exceptionnelles.
Les travaux récompensés doivent avoir été publiés au cours des cinq dernières années, avoir un fort impact scientifique et être évalués et acceptés par des experts dans leur domaine.
Le professeur Emmanuel Abbé de l'EPFL a reçu le FSA 2024 dans le domaine des mathématiques, catégorie statistiques, pour ses travaux sur l'Analyse en Composantes Principales (ACP) et le clustering spectral.
L'ACP est un outil mathématique utilisé pour simplifier de grands ensembles de données en trouvant des modèles et en réduisant les données à leurs caractéristiques les plus importantes, ce qui facilite l'analyse et la visualisation. La classification spectrale est une méthode qui regroupe les points de données en grappes sur la base de leurs similitudes en transformant les données en un graphique et en trouvant des connexions entre les points, ce qui permet d'identifier des groupes naturels ou des modèles dans les données.
La FSA reconnaît l'article d'Abbé de 2022, An ℓp Theory of PCA and Spectral Clustering, co-écrit avec Jianqing Fan (Princeton University) et Kaizheng Wang (Columbia University), et publié dans la revue The Annals of Statistics.
La théorie des perturbations ℓp est une méthode mathématique qui permet d'analyser comment de petits changements ou du "bruit" dans les données affectent les résultats d'un processus, ce qui permet d'améliorer la précision des estimations statistiques même lorsque les données sont bruyantes ou désordonnées. L'article primé développe une théorie des perturbations ℓp pour l'ACP qui permet une analyse plus précise dans des conditions où l'ACP traditionnelle rencontre des difficultés.
Les résultats ont des implications considérables pour l'apprentissage automatique et l'analyse des données, en particulier dans des environnements très bruyants et de grande dimension. La recherche introduit une nouvelle théorie de perturbation qui améliore considérablement la capacité de l'ACP à fonctionner dans des conditions bruyantes, offrant ainsi de nouvelles perspectives en matière de réduction de la dimensionnalité des données.