Elina Robeva
La nomination
Titulaire de chaire en IA Canada-CIFAR
Stratégie pancanadienne en matière d’IA
À Propos
Titulaire de chaire en IA Canada-CIFAR – Nouveau mandat – 2024
Les recherches d’Elina Robeva se situent au carrefour des statistiques mathématiques, de l’apprentissage automatique, de la combinatoire, de l’algèbre multilinéaire, des statistiques algébriques et de la géométrie algébrique appliquée.
Elle élabore des méthodes d’apprentissage automatique et d’optimisation pour l’inférence dans des modèles qui décrivent des dépendances complexes au sein de données. Elle aborde des situations dans lesquelles de nombreuses hypothèses courantes, mais irréalistes ne se vérifient pas en s’appuyant sur la structure mathématique du modèle en question.
Les travaux d’Elina Robeva portent sur l’inférence causale, les modèles graphiques, la décomposition des tenseurs, l’estimation non paramétrique de la densité, les modèles à variables cachées et l’imagerie à super-résolution. Plus précisément, elle met au point des théories et des algorithmes relatifs aux éléments suivants :
- l’inférence causale pour les données d’observation (temporelles et non temporelles) en présence de variables cachées et de boucles de rétroaction causales;
- la décomposition des tenseurs appliquée aux problèmes d’apprentissage automatique;
- les problèmes inverses rares, comme ceux relatifs à l’imagerie à super-résolution;
- l’estimation non paramétrique en haute dimension de la densité, en tirant parti des dépendances entre les variables.
Prix
- Prix André-Aisenstadt, Centre de recherches mathématiques (2023)
- Bourse CAIMS/PIMS pour les chercheuses et chercheurs en début de carrière, CAIMS (2022)
- Prix Jeune membre de la faculté des sciences mathématiques de l’UCB/PIMS, UCB (2020)
- Prix de début de carrière en géométrie algébrique, SIAM (2019)
- Prix commémoratif Bernard-Friedman en mathématiques appliquées, Université de la Californie à Berkeley (2016)
Publications Pertinentes
- Robeva, E. (2016). Orthogonal Decomposition of Symmetric Tensors. SIAM Journal on Matrix Analysis and Applications, 37, 86-102.
- Liu, Y., Robeva, E. et Wang, H. (2021). Learning Linear Non-Gaussian Graphical Models with Multidirected Edges. Journal of Causal Inference, 9.1, 250-263.
- Kubjas. K, Robeva, E. et Sturmfels, B. (2015). Fixed Points of the EM Algorithm and Nonnegative Rank Boundaries. Annals of Statistics, 43.1, 422-461.
- Robeva. E et Seigal, A. (2019). Duality of Graphical Models and Tensor Networks. Information and Inference, 8.1, 273-288.
- Kurmanbek, B. et Robeva, E. (2023). Multivariate Super-Resolution without Separation. Information and Inference, 12.3, 1938-1963.