--- author: Lilian Besson title: CSID - 2ème année de thèse subtitle: Comité de Suivi Individuel du Doctorant institute: Équipe SCEE, IETR, CentraleSupélec, Rennes \newline \& Équipe SequeL, CRIStAL, Inria, Lille \newline \newline $20$ minutes smallinstitute: E.-D. MATISSE date: 18 mai 2018 lang: french babel-lang: french handout: false numbersections: true section-titles: false fontsize: 12pt include-before: \section*{\hfill{}CentraleSupélec Rennes \& Inria Lille\hfill{}} \subsection*{\hfill{}Équipes {:} SCEE @ IETR \& SequeL @ CRIStAL\hfill{}} --- # Comité de Suivi Individuel du Doctorant - Doctorant : Lilian Besson - Titre de la thèse : \newline *"Apprentissage statistique séquentiel pour la radio cognitive multi-joueurs"* - Dates : 1er octobre $2016$ à septembre $2019$.\pause\newline \alert{Soutenance ? Prévue pour juin $2019$ (si possible !)} - Encadrement : \vspace*{10pt} \begin{tabular}{lll} Directeur de thèse : & \textbf{Christophe Moy} & à Rennes \\ Co-encadrante : & \textbf{Émilie Kaufmann} & à Lille \\ \end{tabular} . . . - Comité de suivi : **Patrick Maillé** \& **Rémi Gribonval** \newline Merci ! ---- # Contexte et sujet ## Contexte thématique - Télécom radio et *radio intelligente* (*"cognitive radio"*), - Réseaux plus efficaces, plus écologiques etc, - Réseaux avec beaucoup d'objets connectés ("**I**nternet **o**f **T**hings"), - Apprentissage statistique séquentiel et par renforcement, problèmes et algorithmes de *bandit*, pour résoudre les problèmes d'optimisation combinatoire dans des contextes discrets en temps et fréquence. ---- # Double encadrement Avec **Émilie Kaufmann**, CR au CNRS travaillant à Inria Lille (équipe SequeL, laboratoire CRIStAL) : - Total de $3$ *visites* de Lilian à Lille depuis septembre $2017$ \newline ($1+2+1$ semaines) - $4$ visites prévues en mai, juin, octobre et décembre $2018$ \newline ($1+1+1+2$ semaines) - *Projets en commun* : \alert{moins qu'en 1ère année} (aucun entre Émilie et Christophe), mais davantage entre Émilie et moi, - *Financements* : + financement PEPS "BIO" du CNRS obtenu par Émilie et moi (pour $2017$), + projet ANR "BADASS" (Lille), + et dotation SCEE (pour $2018$). ---- # Mon sujet - *"Apprentissage statistique séquentiel pour la radio cognitive multi-joueurs"*. - Buts : + continuer l'étude théorique des algorithmes étudiés et des difficultés intrinsèques des problèmes considérés, + étendre ces travaux à différents modèles dans le cas multi-joueurs, et grand nombre d'objets (IoT). - Applications : + utiliser dynamiquement des zones vacantes du spectre radio, + insérer plus d'objets dans un réseau pré-existant, + garantir l'optimalité des solutions proposées, etc. ---- # Recherches en cours et collaborations ($1/2$) ## Avec Christophe \hfill{} (aspects radio intelligente) - Poser des modèles réalistes et utiles pour les réseaux IoT, - Vérifier en pratique (simulation et implémentation réelle) l'intérêt des algorithmes d'apprentissage (type bandit) dans le modèle classique OSA et dans de nouveau modèle multi-joueurs et IoT. ## Avec Émilie \hfill{} (aspects théoriques) - Analyser les performances de différents algorithmes mono- et multi-joueurs dans différents modèles (*e.g.*, preuves de bornes supérieures sur le *regret*), - et les difficultés intrinsèques de ces problèmes (bornes $\inf$). ---- # Recherches en cours et collaborations ($2/2$) ## Avec Rémi Bonnefoi (autre doctorant dans l'équipe SCEE) Démo\footnote{\tiny Cf. \urlb{Bitbucket.org/scee_ietr/multi-arm-bandit-learning-for-lora-networks-with-grc}} réalisée ensemble : - Présentée en juin à la conférence ICT $2018$ (St-Malo) : - Basée sur notre article CROWNCOM $2017$, - **"MALIN"**: **M**ulti-**A**rmed bandits **L**earning in **I**oT **N**etworks, - Avec GNU Radio + Python + C++, - Avec des cartes USRP (via notre TestBed), - Rien de révolutionnaire, juste une illustration (et vérification) de nos travaux théoriques... > En fait : simple sur le papier, mais compliqué en vrai \Sadey{} ! ---- # Publications depuis l'an dernier I ## Aperçu "numérique" - $3$ communications dans des conférences internationales\footnote{Cf. \urlb{perso.crans.org/besson/me/}}, - $1$ envoyée, - $1$ en relecture, - $1$ bibliothèque de code, publiée en accès libre... ---- # Publications depuis l'an dernier II ## $2$ posters, chacun présentés $2$ fois : 1. Pour\footnote{\tiny Cf. \urlb{Bitbucket.org/scee_ietr/phd-student-day-ietr-2017-bonnefoi-and-besson}} mon article CROWNCOM $2017$ + Journée des Doctorants (IETR) @ Rennes, juillet $2017$, + Atelier @ Lille, septembre $2017$ ("*bandits \& privacy*"\footnote{\tiny Cf. \urlb{team.inria.fr/magnet/workshop-on-decentralized-machine-learning-optimization-and-privacy/}}). 2. Pour\footnote{\tiny Cf. \urlb{bitbucket.org/lbesson/phd-student-day-ietr-2018}} mon article ALT $2018$ + Atelier @ Rotterdam, mai $2018$ ("*applications of bandits*"\footnote{\tiny Cf. \urlb{www.erim.eur.nl/e-code-erasmus-centre-for-optimization-of-digital-experiments/workshop-on-multi-armed-bandits-and-learning-algorithms/}}), + Journée des Doctorants (IETR) @ Vannes, juin $2018$. ---- # Publications depuis l'an dernier III ## $9$ présentations ! - Conférences\footnote{Planches et code source en accès libre. Cf. \urlb{perso.crans.org/besson/publis/slides/}} : + CROWNCOM @ Lisbonne, + ALT @ Lanzarote, + IEEE WCNC @ Barcelone, - Séminaires : + SCEE @ Rennes ($\times 2$), + ENSAI @ Rennes, + SequeL @ Lille ($\times 2$), - Bonus : journée GDR ISIS @ Paris ("*Méthodes et outils mathématiques pour la modélisation des réseaux IoT*"). ---- # Publications depuis l'an dernier IV 1. Un article\footnote{Cf. \urlb{HAL.Inria.fr/hal-01575419}} "maths et télécom et simulations" avec Rémi B. + Présenté à la conférence européenne **CROWNCOM** $2017$ (septembre, Lisbonne). + *Best paper award!* \Smiley{} (mais toute petite conférence...) + Publié, \alert{mais aucune nouvelle pour la version longue}... . . . \vspace*{5pt} 2. Un article\footnote{Cf. \urlb{HAL.Inria.fr/hal-01629733}} "maths et théorie + télécom" avec Émilie, avec une nouvelle borne inférieure et de meilleures bornes supérieures pour l'algorithme $\rho^{\mathrm{Rand}}$ et deux nouveaux algorithmes $\mathrm{RandTopM}$, $\mathrm{MCTopM}$ (OSA multi-joueur décentralisé). + Présenté à la conférence **ALT** $2018$ (avril, Lanzarote). + Poster présenté à un atelier international à Rotterdam (fin mai). ---- # Publications depuis l'an dernier V 3. Un article\footnote{Cf. \urlb{HAL.Inria.fr/hal-01705292}} "machine learning + télécom" exposant l'intérêt de l'agrégation d'algorithmes de bandit pour des problèmes de radio cognitive. + Présenté à la conférence **IEEE WCNC** $2018$ (avril, Barcelone). + Bon retour des relecteurs et à la conférence \Smiley{} ! + \alert{Mais difficile d'obtenir des résultats théoriques satisfaisants.} . . . \vspace*{5pt} 4. Un article\footnote{Cf. \urlb{HAL.Inria.fr/hal-01736357}} "maths et théorie" avec Émilie, étudiant le "doubling trick" (voir plus tard). Pas de lien direct avec les télécoms. + *Refusé* à la conférence **COLT** $2018$ (juillet, Stockholm). + \alert{Pas encore sûr de ce qu'on en fait !} ---- # Publications depuis l'an dernier VI 5. Ma bibliothèque d'algorithmes de bandits (mono- et multi-joueurs), + Environ $65$ algorithmes mono-joueur, $15$ multi joueurs, + $5$ environments d'expérimentations, + Code sur `GitHub.com/SMPyBandits/SMPyBandits`, + Documentation complète sur `SMPyBandits.GitHub.io`. + Publié sur MLOSS (`MLOSS.org/software/view/710`). + Déjà $\sim 1000$ vues en $3$ mois... \vspace*{5pt} 6. Et un article\footnote{Cf. \urlb{perso.crans.org/besson/articles/SMPyBandits.pdf}} présentant la bibliothèque, \alert{bientôt envoyé au JMLR MLOSS} (revue en ligne, en accès libre). ---- # Présentation de quelques résultats de recherche Je préfère présenter un seul des travaux, le plus récent. \vspace*{15pt} ## Publication associée "**What Doubling Tricks Can and Can't Do for Multi-Armed Bandits**", Lilian Besson \& Emilie Kaufmann, Feb $2018$. > En accès libre : `HAL.Inria.fr/hal-01736357` ---- # "Doubling trick" : rapide présentation ## Horizon $T$ : mieux de ne pas la connaître ! - En apprentissage séquentiel, expériences de $t=1$ à $t=T$, - Pour des applications réelles, les algorithmes ne doivent pas connaître l'horizon... (ex : essais cliniques, pubs en ligne, radio intelligente etc). - Mais beaucoup sont développés avec "la théorie en tête", et dépendent de la valeur de $T$ ! . . . ## But ? - $\hookrightarrow$ Peut-on transformer un algorithme $\mathcal{A}$ dépendant de $T$ et le rendre \alert{indépendant de l'horizon} $\mathcal{A}'$ ? - $\implies$ **Oui !** - Une technique classique : "doubling trick" ! ---- # Algorithme du "Doubling trick" \begin{algorithm}[H] % XXX Options \LinesNumbered % XXX Option to number the line \DontPrintSemicolon % \RestyleAlgo{boxed} % XXX Input, data and output \KwIn{Algorithme de bandit $\mathcal{A}$, et une suite $(T_i)_{i\in\mathbb{N}}$.} % \KwData{Données} % \KwResult{Résultat} \BlankLine % XXX Algorithme Soit $i = 0$, et initialise l'algorithme $\mathcal{A}^{(0)} = \mathcal{A}_{T_0}$.\; \For{$t = 1, \dots, T-1$}{ \If(\tcp*[f]{Horizon suivante $T_{i+1}$ dans la suite}){ $t > T_i$ }{ Horizon suivante : $i = i + 1$\; Initialise $\mathcal{A}^{(i)} = \mathcal{A}_{T_i - T_{i-1}}$ \tcp*[f]{Départ à vide} } Joue selon $\mathcal{A}^{(i)}$ : choisit le bras $A'(t) := A^{(i)}(t - T_{i-1})$\; Observe la récompense $r(t) = Y_{A'(t), t}$\; Lui donner cette observation. } \caption{$\mathcal{A}' = \mathrm{DT}(\mathcal{A}, (T_i)_{i\in\mathbb{N}})$.} \label{algo:DTr} \end{algorithm} ---- # Deux "doubling" : géométrique et exponentiel - $T_0 \in \mathbb{N}$, $(T_i)_{i\in\mathbb{N}}$ croissante et divergente - "Indice du dernier terme" : $L_T := \min\{ i \in\mathbb{N} : T_i > T\}$. ## Géométrique - Pour un paramètre $b > 1$, - $T_i := \lfloor T_0 b^i\rfloor$, - $L_T = \lceil \log_b\left( \frac{T}{T_0} \right) \rceil = \mathcal{O}( \log(T) )$. ## Exponentiel - Pour deux paramètres $a, b > 1$, - $T_i := \lfloor \frac{T_0}{a} a^{b^i}\rfloor$, - $L_T = \lceil \log_b\left( \log_a\left( \frac{T}{T_0/a} \right) \right) \rceil = \mathcal{O}( \log(\log(T)) )$. ---- # Regret et but ## Regret ? - $R_T(\mathcal{A}_T)$ mesure la performance moyenne de l'algorithme $\mathcal{A}$ (qui peut connaître $T$), sur une expérience d'horizon $T$. - $R_T(\mathcal{A}) := \sum_{t=1}^T \mu^* - \mathbb{E}[\mu_{A(t)}]$ pour un problème à $K$ bras de moyennes $\mu_1,\dots,\mu_K$, de meilleur bras $\mu^* := \arg\max_k \mu_k$ et si $A(t)$ est le choix de l'algorithme à l'instant $t$. . . . ## But : *conserver* des bornes de regret ! - Si $\mathcal{A}$ vérifie une borne de regret, *e.g.*, $R_T(\mathcal{A}_T) \leq f(T)$ - Alors la version indépendante de $T$, $\mathrm{DT}(\mathcal{A})$, vérifie une borne similaire, avec une perte constante $\ell$, \alert{ou non} : + $R_T(\mathrm{DT}(\mathcal{A})) \leq \ell(\text{paramètres pb}) \times f(T)$ : bien ! + $R_T(\mathrm{DT}(\mathcal{A})) \leq \ell(\text{paramètres pb}) \times g(T)$ : \alert{moins bien} ! (pour $g(T) \gg f(T)$). ---- # Types de bornes > $c > 0$ est une constante dépendant des paramètres $\mu_1,\dots,\mu_K$ du problème, mais **pas** de $T$. 1. Regret indépendant des paramètres ("adversarial bandits") $$R_T(\mathcal{A}_T) \leq c \; \sqrt{T}$$ 2. Regret dépendant des paramètres ("stochastic bandits") $$R_T(\mathcal{A}_T) \leq c \; \log(T)$$ ## Forme générique - \alert{$R_T(\mathcal{A}_T) \leq c \; (\log T)^{\delta} T^{\gamma}$} + $\delta=0,\gamma>0$ (adverse), + ou $\delta>0,\gamma=0$ (stochastique), + ou $\delta>0,\gamma>0$ (hybride !). E.g. : $\sqrt{T \log(T)}$. ---- # Résultats avec un "doubling" géométrique > Avec des horizons $T_i := \lfloor T_0 b^i\rfloor$. ## Conserve bien $R_T \leq \sqrt{T}$ \hfill\Smiley - Perte constante $\ell(b,\gamma) = \frac{b^{\gamma}(b-1)^{\gamma}}{b^{\gamma}-1} > 1$, - $\hookrightarrow$ en connaissant $\gamma$, on choisit $b^*$ pour minimiser la perte. ## Conserve pas bien $R_T \leq \log(T)$ \hfill\Sadey - \alert{On sait que ça ne peut pas marcher !} - On a une borne inférieure : transforme ${(\log T)}^{\delta}$ en ${(\log T)}^{\delta\alert{+1}}$. ---- # Résultats avec un "doubling" exponentiel > Avec des horizons $T_i := \lfloor \frac{T_0}{a} a^{b^i}\rfloor$. ## Conserve *peut-être* $R_T \leq \sqrt{T}$ \hfill\Sey - \alert{Pas encore de borne sup ou inf convaincante}, - Transforme $\leq T^{\gamma}$ en $T^{\alert{b} \gamma}$, pas génial ($b > 1$)... - Borne inf a la forme inverse, $\geq T^{\gamma}$ en $T^{\frac{\gamma}{\alert{b}}}$... ## Conserve bien $R_T \leq \log(T)$ \hfill\Smiley - Perte constante $\ell(\delta, b) = \frac{b^{2\delta}}{b^{\delta}-1} > 1$ (*e.g.*, $\geq 4$ pour $\delta=1$), - $\hookrightarrow$ en connaissant $\delta$, on choisit $b^*$ pour minimiser la perte. ---- # Illustration ![](images/main____env1-1_1217677871459230631.pdf){width=105%} ---- # Questions encore ouvertes - Un schéma ($(T_i)_{i\in\mathbb{N}}$) intermédiaire qui conviendrait pour les trois types de bornes ? - Une autre approche "plus intelligente" qui permettrait d'obtenir des meilleures garanties ? - Empiriquement : choisir des paramètres ($T_0, b$ ou $T_0,a,b$) n'est pas simple, comment bien les choisir ? ## Question bonus - \alert{Où publier cet article (refusé à COLT $2018$) ?}\newline $\hookrightarrow$ une revue ? (*e.g.*, JMLR) ---- # Applications de ce travail I - Très générique ! - Donne une meilleure compréhension théorique de cette technique très utilisée depuis $\sim$ 20 ans (au moins). - Justifie quelques articles qui utilisent le "doubling trick" sans justifier plus qu'une note de bas de page disant "on ne perd rien qu'une constante multiplicative dans le regret"... - Donne une méthode simple pour choisir les valeurs de $T_0,b$ ou $T_0,a,b$ ($\hookrightarrow$ minimiser la perte constante $\ell$ !). ---- # Applications de ce travail II ## En radio intelligente ? Oui aussi ! 1. Si on utilise un algorithme $\mathcal{A}_T$ très efficace dans son contexte, mais qui dépend de $T$ (*e.g.*, *Approximated Finite-Horizons Gittins Index*, $\mathrm{kl}$-$\mathrm{UCB}^{++}$, en bandits mono-joueur, *Musical Chair* en bandits multi-joueurs, etc), 2. Si on sait quel genre de garantie on espère (contexte stochastique, ou adverse, ou hybride),\pause 3. $\implies$ Alors on peut savoir quel "doubling trick" utiliser pour rendre son algorithme indépendant de $T$ le plus efficacement possible (on connaît $\delta,\gamma$ alors on choisit $T_0,b$ ou $T_0,a,b$ pour minimiser la perte constante $\ell$...). ---- # Une remarque qui m'intrigue ![](images/sad_paragraph_about_doubling_trick.png){width=90%} \hfill{}\small{\textcolor{gray}{[\href{https://arxiv.org/abs/1805.05071}{Garivier et al, 2018, arXiv:1805.05071}]}} \vspace*{10pt} Surprenant : rien n'est prouvé ni justifié dans ce genre d'affirmations, et aucune référence n'est citée.\newline Et les auteurs connaissent notre article... ---- # Autres activités > Mais aussi... ---- # Autres activités ($1/5$) : Formations Pour la thèse, il faut suivre des formations...\newline J'ai déjà fait $60$ sur les $72$ heures exigées. > Encore quelques heures à faire, ce sera bouclé d'ici octobre ! - Scientifiques : + Présentations à des conférences et ateliers, + Présentation à la Journée des Doctorants de l'IETR en juin, - Générales ou professionnelles : + À l'Université de Rennes 1, \alert{mais peu sont proposés}... + Formations internes (GouTP) à CentraleSupélec Rennes ? \alert{Pas sûr que "ça passe"}... ---- # Autres activités ($2/5$) : Enseignements I Par plaisir et pour (espérer) valider mon stage d'agrégation, j'enseigne : - $24$h/an de TD/TP à l'*ENSAI*, en informatique théorique\footnote{Cf. \urlb{perso.crans.org/besson/ensai-2017/}}, pour le cours "Algorithmique et Calculabilité" de David Cachera, au niveau L3 (1ère année d'école d'ingénieur). - $48$h/an de TD/oraux à l'*ENS de Rennes*, en informatique théorique, pour la classe de préparation à l'agrégation de maths\footnote{Cf. \urlb{perso.crans.org/besson/agreg-2017/}} (option info), au niveau M2 (3ème année d'ENS). $15$ séances d'entraînement aux oraux d'informatique (leçons et modélisation), TP de programmation, et oraux blancs. ---- # Autres activités ($2/5$) : Enseignements II J'ai obtenu la même mission pour $2019$. \vspace*{35pt} > Plus un éventuel poste de PRAG à l'ENS de Rennes pour continuer chez eux après ma thèse... A suivre ! ---- # Relectures ($3/5$) ## "Review" \hfill{} Pas officiellement (bien sûr) - Un article pour NIPS $2017$ en juillet (pour aider une amie), - Un article pour ICML $2018$ en février (pour aider Émilie), - Deux rapports de projet de recherche d'un cours de "Reinforcement Learning" du master MVA (pour aider Émilie), en janvier $2017$ et $2018$ (sur un de nos articles !). ## Coups de main - Trois relectures d'articles de Rémi B. (novembre $2016$, mars $2017$ et $2018$), - Relectures de morceaux des thèses de Navikkumar Modi (SCEE, mai $2017$), Claire Vernade (Télécom, octobre $2017$), et bientôt Rémi B. (SCEE, automne $2018$). ---- # Autres activités variées ($4/5$) - Accueil des nouveaux @ SCEE (stagiaires, doctorants, post-doc \& ATER). - Administration système pour nos machines de calcul dans l'équipe SCEE ($3$ "*workstations*", $15$ utilisateurs). . . . - En charge des "GouTP", nos formations mensuelles @ SCEE (et aux autres équipes @ CentraleSupélec). \alert{Franc succès !} + J'ai donné $5$ formations\footnote{Cf. \urlb{perso.crans.org/besson/publis/slides/}} depuis le lancement en janvier $2017$. - Programmeur passionné, j'essaie de contribuer régulièrement à des projets personnels\footnote{Cf. \urlb{Bitbucket.org/lbesson} et \urlb{GitHub.com/Naereen}} et des grands projets *open-source*, surtout en Bash, OCaml, Python et Julia (*e.g.*, bibliothèques `tensorflow`, `keras`, `sphinx-doc`, `scikit-monaco` etc). ---- # Objectifs de recherche pour $2018$ > Petit aperçu... ---- # Objectifs de recherche pour $2018$ I 1. J'aimerai aussi faire un *"survey"* sur les algorithmes de bandits, + en les écrivant tous avec la même structure (initialisation, choix, récompenses, etc), basé sur `SMPyBandits`. + Il y en a une trentaine pour l'aspect mono-joueur (et beaucoup de variantes), et une quinzaine pour l'aspect multi-joueurs, + et je les ai tous implémenté et documenté sous une même organisation logique (approche objet).\pause + \alert{Pas sûr où publier ça si je l'écris}... Idées ? + Un doctorant @ Inria Grenoble voudrait collaborer avec moi sur ça. ([Valentin Reis](http://freux.fr/index.html)) + (en fait, j'aimerai que le rapport s'écrive "tout seul" à partir de ma bibliothèque, pas sûr de comment m'y prendre…) ---- # Objectifs de recherche pour $2018$ II 2. Un algorithme générique pour s'adapter à des \alert{récompenses bornées dans un intervalle inconnu}. + *Difficile*, + Déjà très étudié, j'ai besoin de plus travailler l'état de l'art, + Motivation très utile en radio : apprentissage par renforcement avec des SNIR, des puissances reçus, etc. Ces mesures sont toujours bornées mais pouvoir s'adapter à leur amplitude peut améliorer les performances. ---- # Objectifs de recherche pour $2018$ III 3. Un algorithme générique pour s'adapter à des problèmes avec $K$ bras mais seulement $s < K$ ayant des moyennes positives (bandits parcimonieux, "sparse"). + *Déjà pas mal travaillé dessus* (juillet $2017$, mars $2018$), + Le problème est montré "difficile" si $s$ n'est pas connu (en résumé : on ne peut pas faire mieux que si $s=K$, *i.e.*, un algorithme "sparsity aware" ignorant $s$ ne peut pas faire mieux qu'un algorithme classique), + Et ça me semble assez dur à utiliser en radio intelligente, si $s$ doit être connu... $\hookrightarrow$ un court article à EWRL $2018$ (octobre, Lille), rédaction en cours ? ---- # Objectifs de recherche pour $2018$ IV 4. Travailler encore un peu sur les bandits multi-joueurs, notamment pour : + découvrir le nombre de joueurs \hfill{} (\Smiley{} j'ai ce qu'il faut), + autoriser des arrivées/départs de joueurs, de temps en temps ? + autoriser des environments stochastiques *par morceaux* ? + étudier des variantes du modèles (*e.g.*, avec écoute des autres joueurs, cf. article de Sumit Darak et al @ IEEE WCNC $2018$)... + intégrer des perturbateurs (*jammers*, cf. un [autre article de Sumit Darak et al, arXiv:1803.06810](https://arxiv.org/pdf/1803.06810.pdf))... $\hookrightarrow$ un article à IEEE WCNC $2019$ ? ---- # Objectifs de recherche pour $2018$ V 5. J'ai envie de travailler encore plus sur des approches "black-box wrapper algorithms" : un algorithme générique $\mathcal{W}$, qui transforme $\mathcal{A}$ avec *telle faiblesse* en un algorithme $\mathcal{A}' = \mathcal{W}(\mathcal{A})$ sans cette faiblesse. + Agrégation, "Doubling Trick", "Sparse Wrapper", "Unknown range wrapper", etc. Déjà plusieurs de mes travaux rentrent dans ce cadre ! + $\implies$ \alert{Je verrai bien ma une bonne partie de ma thèse entièrement orientée autour de cette idée...} ---- # Objectifs de recherche pour $2018$ > Discussion sur des idées de directions ? ---- # Conclusion \& Perspectives > Bilan... \vspace*{15pt} > Perspectives... ---- # Conclusion \& Perspectives {.allowframebreaks} ## Une première moitié de thèse efficace - De la *recherche*, à CentraleSupélec Rennes et Inria Lille, avec mes encadrants (Christophe Moy, Émilie Kaufmann) et un autre doctorant (Rémi Bonnefoi), - $5$ *articles* terminés, dont $3$ publiés et présentés (uniquement des conférences), - d'autres *objectifs* bientôt et pour la suite, - des *visites* régulières à Lille et Paris, - des *conférences* et *ateliers* ailleurs en Europe. ## Mais aussi pour $2019$... - La même charge d'*enseignement*, à l'ENS de Rennes et l'ENSAI, - encore quelques heures de *formations* (générales) à Rennes, - et quelques *conférences* à l'étranger ? + Atelier à Rotterdam en mai, + ICT à St-Malo en juin, + COLT à Stockholm en juillet ? + Atelier "*Optimization and Learning*" à Toulouse, en septembre + EWRL $+$ PyCON Fr à Lille en octobre + URSI AP-RASC à New Delhi en mars $2019$ ? + IEEE WCNC à Marrakech en avril $2019$ ? + etc ---- # Merci Déjà plus de la moitié de ma thèse. Et \alert{beaucoup de choses à faire pour la suite \& fin...} \vfill{} \begin{center}\begin{Huge} \Fontify{Merci ! :-)} \end{Huge}\end{center} > *À l'année prochaine... \alert{pour la soutenance !?}*