ICM 2026 Invited Section Lecture - Rina Foygel Barber

ICM 2026 Invited Section Lecture - Rina Foygel Barber

624f9e70 Rina Foygel Barber 116 A ÉDITÉ

🎙 Rina Foygel Barber 👥 60K 📅 21 septembre 2026 ⏱ 40 min 👁 4 📄 étude originale 🧭 2026-09-21
Disponible en : Français (actuel) English

Mots-clés

stabilité algorithmiqueinférence prédictivedistribution-freebaggingimpossibilité

Résumé

La conférence de Rina Foygel Barber, donnée dans le cadre de l’ICM 2026, porte sur le rôle de la stabilité algorithmique dans l’inférence sans distribution. L’oratrice commence par définir la stabilité algorithmique, en distinguant une notion forte (uniforme) où chaque point de donnée ne doit pas influencer exagérément la prédiction, et une notion plus faible (moyenne) qui borne la perturbation en moyenne. Elle illustre cette distinction sur un exemple de régression et montre que les méthodes classiques comme les moindres carrés peuvent devenir instables lorsque la dimension est proche de la taille d’échantillon. Ensuite, elle présente trois résultats principaux. Premièrement, en supposant la stabilité algorithmique, la validation croisée pour l’inférence prédictive fournit des intervalles de prédiction valides sans hypothèse sur la distribution des données, via un argument basé sur l’échangeabilité et une matrice de résidus. Deuxièmement, elle établit un résultat d’impossibilité : il est impossible de certifier empiriquement qu’un algorithme est stable avec une garantie de validité uniforme sur tous les algorithmes, même en ayant un budget de calcul illimité, à moins d’accepter une puissance très faible. Troisièmement, elle montre que le bagging (moyenne sur des modèles entraînés sur des sous-échantillons) peut garantir automatiquement la stabilité pour n’importe quel algorithme. Ces résultats illustrent les avantages et les limites du cadre de la stabilité algorithmique dans un contexte sans distribution. L’exposé se termine par une synthèse des implications pratiques et théoriques.

230 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur des informations est très élevée : la conférence présente des résultats de recherche originaux, issus de plusieurs travaux collaboratifs, avec des démonstrations claires et des arguments rigoureux. L’argumentation est solide, chaque résultat étant motivé par des questions précises et étayé par des preuves ou des contre-exemples. L’oratrice explique soigneusement les intuitions derrière les théorèmes, ce qui rend l’exposé accessible tout en conservant une profondeur technique. La distinction entre stabilité uniforme et moyenne est bien mise en évidence, et les implications pour l’inférence prédictive sont expliquées de manière convaincante. Le résultat d’impossibilité est particulièrement marquant et est présenté avec clarté.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est exemplaire : l’oratrice est une chercheuse reconnue en statistique, et elle cite des travaux co-écrits avec des spécialistes du domaine. Bien que la conférence ne comporte pas de citations formelles avec URLs, elle mentionne explicitement des titres de papiers et des noms de collaborateurs, ce qui permet d’identifier les sources. La qualité des sources est donc très bonne, même si elles ne sont pas directement accessibles dans la vidéo. L’adéquation entre le titre et le contenu est totale : le titre décrit précisément une conférence invitée de section, et le contenu est un exposé scientifique de niveau avancé. Le public est implicitement composé de chercheurs en mathématiques, mais cela n’affecte pas la qualité du contenu.

235 mots

Adéquation titre / contenu

Le titre reflète exactement le contenu : une conférence invitée de l'ICM 2026, sans précision supplémentaire. L'adéquation est parfaite.

Qualité & fiabilité

9/10

Exposé rigoureux de résultats théoriques en statistique, avec preuves esquissées et références à des travaux publiés. Le contenu est précis et clair, bien que les sources ne soient pas détaillées avec des URLs.

Moments clés

Apport & nouveautés

L’apport original de cette conférence réside dans la démonstration que la stabilité algorithmique est un outil puissant pour l’inférence sans distribution, permettant à la fois d’obtenir des intervalles de prédiction valides par validation croisée, de révéler une impossibilité fondamentale pour la certification empirique, et de montrer que le bagging peut garantir la stabilité. Ces résultats ouvrent des perspectives pour l’utilisation d’algorithmes complexes dans des contextes où les hypothèses distributionnelles sont impossibles à vérifier.

Pour aller plus loin :

  • Conformal prediction — Méthode alternative pour l’inférence prédictive sans distribution, liée à l’échangeabilité.
  • Bagging — Technique d’ensemble qui garantit la stabilité en moyennant sur des sous-échantillons.
  • Stability (learning theory) — Notion théorique en apprentissage automatique, proche de la stabilité algorithmique.

118 mots

Profil radar

Le profil radar est dominé par la qualité et la fiabilité de l'information, avec des scores très élevés, tandis que la quantité d'information est légèrement inférieure en raison de la durée limitée de l'exposé. Le niveau technique est très élevé, indiquant un contenu destiné à un public expert, mais bien structuré.

Fiabilité 9/10