Thibault Pautrel présente une publication à ICML 2026 en Corée du Sud
Thibault Pautrel, diplômé du Master for Smart Data Science de l’ENSAI, a présenté la publication “Riemannian stochastic optimization for sufficient dimension reduction” co-écrite avec François Portier, lors de la 43e édition de ICML (International Conference on Machine Learning) organisée à Séoul du 6 au 11 juillet 2026.
ICML est la principale conférence académique internationale sur l’apprentissage automatique et l’intelligence artificielle.
Diplômé du Master for Smart Data Science en 2025, Thibault Pautrel est docteur en mathématiques. Il a soutenu sa thèse de doctorat (IRMAR) portant sur les zéros de polynômes à coefficients aléatoires en 2022.
À la suite du Master, Thibault Pautrel a rejoint le laboratoire des signaux et systèmes L2S (CentraleSupélec, Université Paris-Saclay) dans le cadre d’un post-doctorat, dont le sujet porte sur l’apprentissage fédéré avec des paramètres à valeurs dans des variétés.
En parallèle, Thibault a travaillé avec François Portier, enseignant-chercheur en statistique au CREST ENSAI et responsable du Master for Smart Data Science, sur un projet de réduction de dimension en régression.
Lorsqu’il y a beaucoup de variables, les modèles de régression sont difficiles à estimer et la précision des prédictions se trouve diminuée par rapport au cas classique. Dans ce contexte, Thibault Pautrel et François Portier ont proposé une amélioration de la méthode MAVE, publiée en 2002. L’approche proposée repose sur les plus proches voisins ainsi que sur une méthode de descente de gradient sur la variété de Stiefel, mêlant ainsi les spécialités des deux chercheurs.
Le projet a été accepté à l’ICML 2026, ce qui a amené Thibault Pautrel à le présenter la publication “Riemannian stochastic optimization for sufficient dimension reduction” lors de la conférence.
Riemannian stochastic optimization for sufficient dimension reduction – Abstract
Sufficient dimension reduction (SDR) makes high-dimensional regression tractable by projecting the covariates onto a low-dimensional subspace that preserves the conditional mean of the response. Existing gradient-based estimators either operate in the ambient space and suffer from the curse of dimensionality, or localize in the reduced space at a per-outer-iteration cost at least quadratic in the sample size. We show that minimizers of the population Minimum Average Variance Estimation (MAVE) risk approximate the same Grassmannian target as the Outer Product of Gradients (OPG), and recast the empirical criterion as a smooth maximization on the Stiefel manifold with closed-form Riemannian gradient. The resulting algorithm, SMAVE, combines sparse projected-space nearest-neighbor localization with Riemannian stochastic gradient ascent. A simplified version comes with almost-sure convergence and a non-asymptotic rate matching the standard non-convex stochastic first-order scaling. Empirically, SMAVE matches or improves on RMAVE’s synthetic subspace recovery at moderate-to-high ambient dimension, and on four real datasets it uniformly improves over OPG and is competitive with or outperforms RMAVE at orders of magnitude lower runtime.
En savoir plus sur Thibault Pautrel, sur François Portier et sur la recherche à l’ENSAI.