Représentation de fonctions positives par sommes de carrés par Francis Bach

Francis Bach travaille sur les fondations algorithmiques et mathématiques de l’apprentissage automatique (machine learning) au sein du Département d’Informatique de l’École Normale Supérieure (ENS), qui est commune entre le CNRS, l’ENS et Inria. Ses recherches, motivées notamment par des applications en traitement du signal et en vision par ordinateur, mettent l'accent sur la notion de parcimonie, les méthodes à noyaux, et l’optimisation à grande échelle. Après sa thèse effectuée sous la direction de Michael Jordan à l’Université de Berkeley, il développe tout un pan de travaux autour des méthodes à noyaux et des techniques spectrales pour l’apprentissage non-supervisé. Il joue ensuite un rôle pionnier pour le développement des techniques statistiques exploitant la parcimonie et les propriétés de rang faible pour l’apprentissage avec plus de variables que de données d’entraînement. Dans ce contexte il s’intéresse alors à l’optimisation à grande échelle, conçoit et analyse des algorithmes proximaux pour la régularisation parcimonieuse non-lisse structurée, et apporte des contributions fondamentales en optimisation stochastique. Plus récemment, Francis Bach s’intéresse aux aspects mathématiques de l'apprentissage par réseaux de neurones, et notamment à l'analyse “champ moyen” de la dynamique des algorithmes d’entraînement de réseaux. Ses travaux ont été soutenus par une bourse “Starting Grant” en 2009, et une bourse “Consolidator Grant” en 2016 du European Research Council. Il a reçu le Prix Inria du jeune chercheur en 2012, le prix “test-of-time ICML” en 2014 et en 2019, ainsi que le Prix Lagrange en optimisation continue en 2018, et le Prix Jean-Jacques Moreau en 2019. Il a été élu à l’Académie des Sciences en 2020.