Avetik Karagulyan à la croisée du machine learning, de l'optimisation et des mathématiques appliquées

Quel est votre domaine de recherche ?

Avetik Karagulyan : Mes recherches se situent à la croisée du machine learning, de l'optimisation et des mathématiques appliquées. Elles portent principalement sur la théorie et l'application des algorithmes d'échantillonnage, en particulier les méthodes Langevin Monte Carlo (LMC), et leur lien avec l'optimisation. Sous la supervision d'Arnak Dalalyan, professeur à l'ENSAE de Paris et directeur du Centre de recherche en économie et statistiques (CREST – CNRS/École Polytechnique/ Groupe ENSAE-ENSAI), mes travaux de doctorat ont consisté à établir des taux de convergence non asymptotiques pour les algorithmes LMC dans le contexte des potentiels non convexes, courants dans les réseaux neuronaux modernes. Par la suite, avec Peter Richtárik, professeur à la King Abdullah University of Science and Technology (KAUST), cette recherche a été élargie à l'apprentissage automatique décentralisé à grande échelle, avec comme objectif de former des modèles à partir de données réparties sur de nombreux appareils sans les centraliser. Cette recherche a donné naissance à des algorithmes pratiques tels que ELF. Mon objectif au Laboratoire des signaux et systèmes (L2S) est de continuer à développer des méthodes mathématiques solides.

Qu’avez-vous fait avant d’entrer au CNRS ? Pourquoi avoir choisi le CNRS ?

A.K. : Après mes études à la faculté de mathématiques et de mécanique de la Yerevan State University, et un master en mathématiques, vision et apprentissage (MVA) à l'ENS Paris-Saclay, j’ai effectué mon doctorat au CREST. J'ai continué mon parcours en tant que chercheur postdoctoral à KAUST, où je me suis concentré sur l'optimisation et l'apprentissage fédéré. 
J’ai choisi de rejoindre le CNRS en raison de sa position unique en tant qu'organisme public de recherche dédié à la science fondamentale. Le modèle du CNRS offre aux scientifiques la stabilité à long terme et l'autonomie intellectuelle nécessaires pour mener à bien des recherches complexes et fondamentales. Cet environnement, qui privilégie la recherche par rapport à d'autres obligations, correspond parfaitement à mes objectifs scientifiques.

Qu’est-ce que qui vous a amené à faire des sciences informatiques ?

A.K. : Mon entrée dans le domaine des sciences informatiques découle de ma formation en mathématiques. À la Yerevan State University, j’ai été attiré par l’informatique à la suite de ma participation à une école d'été, où j'ai assisté à une présentation du professeur Arnak Dalalyan, qui allait devenir plus tard mon directeur de thèse.
Son mini-cours portait sur les théories mathématiques et statistiques qui constituent le fondement de l'apprentissage automatique. C'était la première fois que j'étais exposé à un domaine où des concepts abstraits issus de la théorie des probabilités et des statistiques étaient directement appliqués pour résoudre des problèmes complexes liés aux données. Ce lien direct entre la théorie abstraite et l'application pratique m'a motivé à poursuivre mes études supérieures en statistiques et en apprentissage automatique, ce qui m'a finalement conduit à faire carrière dans l'informatique.