Prix de thèse 2020

 

Tristan Garrec

Tristan Garrec a effectué son doctorat en mathématiques à l’Université de Toulouse Capitole sous la direction de Jérôme Renault. Il est l'auteur d'une thèse élégante de théorie des jeux dynamiques, portant sur l’existence de l’équilibre uniforme dans les jeux stochastiques produits communicants, la caractérisation de la valeur et des stratégies optimales dans les jeux de recherche et de dissimulation dans des espaces continus ou des graphes aléatoires, et enfin, la caractérisation de la martingale optimale dans un jeu répété de persuasion bayesienne, les problématiques de ces deux dernières thématiques étant empruntées respectivement aux problèmes de sécurité d’un côté et d'économie et finance de l’autre.
Tristan Garrec utilise un large spectre de techniques différentes, combinant optimisation, probabilités, processus stochastiques, dans des cadres discrets et continus dans l’espace ou dans le temps. Cette thèse impressionne par la diversité des sujets et d'outils, ainsi que par la finesse et profondeur des résultats obtenus.
Tristan Garrec a publié trois articles significatifs dans Journal of Mathematical Analysis and Applications et European Journal of Operational Research, dont deux comme auteur unique.

 

Maturin Massias

Mathurin Massias a préparé sa thèse à Telecom Paris / Inria Saclay sous la direction d'Alexandre Gramfort et Joseph Salmon, sur le développement de méthodes variationnelles en neuro-imagerie (MEG - EEG), pour des problèmes d'identification de sources associés à une physique linéaire bruitée. Le sujet central est la mise au point d'algorithmes efficaces d'optimisation convexe dans un contexte de régression parcimonieuse (problème Lasso).
Les travaux de Mathurin Massias apportent des contributions significatives et originales à ce type de problème dans le cadre de la neuro-imagerie, avec un potentiel de répercussion plus large en optimisation.
En exploitant la structure de parcimonie de la solution et des techniques de dualité, les solveurs itératifs proposés par Mathurin Massias accélèrent deux types de méthodes classiques en optimisation : la descente de gradient proximale et l’optimisation coordonnée par coordonnée, tout en permettant une estimation automatique des paramètres de régularisation.
Mathurin Massias a écrit deux packages Python d'un niveau remarquable : l'un, pour traiter la régression parcimonieuse linéaire (en complément de scikit-learn), l'autre, à destination des praticiens, interactif pour l’analyse de signaux M/EEG.

 

Le jury 2020 est présidé par  Emmanuel Trélat, Sorbonne Université :

Membres du nommés par le Conseil Scientifique du PGMO

Samuel Amstutz (École Polytechnique)
Claire Boyer (Université Pierre et Marie Curie)
Frédéric Meunier (ENPC)

Membres nommés par la ROADEF

Jérôme Malick (Université Grenoble Alpes),
Lilia Zaourar (CEA),
Vincent T'Kindt (Université de Tours)

Membres nommés par le groupe MODE SMAI

Rida Laraki (Université Dauphine)
Catherine Rainer (Université de Brest)
Emmanuel Trélat (Sorbonne Université)