{"id":9213,"date":"2026-11-06T08:10:46","date_gmt":"2026-11-06T07:10:46","guid":{"rendered":"https:\/\/variances.eu\/?p=9213"},"modified":"2026-11-06T09:26:47","modified_gmt":"2026-11-06T08:26:47","slug":"entretien-avec-anna-korba-2015","status":"publish","type":"post","link":"https:\/\/variances.eu\/?p=9213","title":{"rendered":"Entretien avec Anna Korba (2015)"},"content":{"rendered":"

Professeure \u00e0 l\u2019ENSAE et chercheuse au CREST, Anna Korba est laur\u00e9ate 2026 de la m\u00e9daille de bronze[1]<\/sup><\/a> du CNRS pour ses travaux novateurs en apprentissage automatique. Ses recherches portent notamment sur l\u2019optimisation dans des espaces de mesures de probabilit\u00e9 et ont conduit \u00e0 des avanc\u00e9es th\u00e9oriques importantes, avec des applications en \u00e9chantillonnage et en mod\u00e8les g\u00e9n\u00e9ratifs.<\/p>\n

L\u2019entretien qui suit est essentiellement la traduction de celui publi\u00e9 en anglais par le CREST (CRESTive Minds<\/a><\/span><\/span>), avec l\u2019ajout d\u2019\u00e9l\u00e9ments d\u2019actualit\u00e9 (CNRS<\/a><\/span><\/span>).<\/p>\n

***<\/p>\n

Quel a \u00e9t\u00e9 votre parcours avant de rejoindre l\u2019ENSAE\/CREST\u00a0?<\/strong><\/span><\/p>\n

Je me suis int\u00e9ress\u00e9e assez t\u00f4t aux math\u00e9matiques, car j\u2019aimais \u00e0 la fois leur c\u00f4t\u00e9 rigoureux et profond\u00e9ment cr\u00e9atif. J\u2019ai suivi une formation en math\u00e9matiques et en science des donn\u00e9es \u00e0 l\u2019ENSAE, en parall\u00e8le d\u2019un master en apprentissage automatique (Machine Learning<\/em>) \u00e0 l\u2019ENS Cachan.
\nJ\u2019ai ensuite poursuivi dans ce domaine avec une th\u00e8se \u00e0 T\u00e9l\u00e9com Paris, avant de partir en post-doctorat \u00e0 University College London, au sein de Gatsby Computational Neuroscience Unit. J\u2019ai rejoint l\u2019ENSAE et le CREST en 2020 en tant que professeure assistante, titularis\u00e9e professeure en 2026.<\/p>\n

Pourquoi l\u2019apprentissage automatique plut\u00f4t que d\u2019autres domaines math\u00e9matiques ?<\/strong><\/span><\/p>\n

\u00c9tudiante, j’aimais les math\u00e9matiques et la programmation. \u00c0 l’ENSAE, j’avais le choix entre la finance quantitative et l’apprentissage automatique. D\u2019une part, les recrutements en finance quantitative ralentissaient. D\u2019autre part, j’ai choisi l’apprentissage automatique, attir\u00e9e par la richesse math\u00e9matique de ce domaine, par son potentiel d’innovation et la multitude d\u2019applications pratiques. J’ai aussi \u00e9t\u00e9 tr\u00e8s inspir\u00e9e par l’excellence de l’enseignement en math\u00e9matiques dispens\u00e9 \u00e0 l’ENSAE par des professeurs comme Arnak Dalalyan, Nicolas Chopin ou Cristina Butucea que j\u2019ai eus en cours.<\/p>\n

Est-ce qu\u2019un statisticien, une statisticienne vous a particuli\u00e8rement inspir\u00e9e\u00a0?<\/strong><\/span><\/p>\n

Davantage collectivement qu\u2019\u00e0 titre vraiment individuel. Je me souviens tr\u00e8s bien de ma premi\u00e8re conf\u00e9rence internationale en apprentissage automatique (ICML 2015 \u00e0 Lille). Assister aux pr\u00e9sentations au sein de la communaut\u00e9 de l’apprentissage profond, bien qu’un peu \u00e9loign\u00e9 de mes th\u00e8mes de recherche de l’\u00e9poque, m’a profond\u00e9ment marqu\u00e9e. J’ai \u00e9t\u00e9 fascin\u00e9e par les progr\u00e8s rapides et consid\u00e9rables r\u00e9alis\u00e9s, notamment dans des domaines comme la r\u00e9ponse aux questions (l\u2019ordinateur est interrog\u00e9 sur un texte qu\u2019il prenait en entr\u00e9e, le but \u00e9tant de voir s\u2019il en avait compris les informations). Les conf\u00e9rences auxquelles j’ai particip\u00e9 m’ont permis de rencontrer un collectif de personnalit\u00e9s influentes, des professeurs \u00e9m\u00e9rites aux brillants doctorants, et d\u2019enrichir ainsi ma vision sur de multiples aspects de la statistique et de l’apprentissage automatique.<\/p>\n

Quels sont vos principaux sujets de recherche aujourd\u2019hui ?<\/strong><\/span><\/p>\n

Mes travaux se situent \u00e0 l\u2019interface des math\u00e9matiques, de la statistique et de l\u2019intelligence artificielle. Je m\u2019int\u00e9resse principalement \u00e0 des probl\u00e8mes d\u2019optimisation dans des espaces de mesures de probabilit\u00e9, en mobilisant des outils comme le transport optimal ou les m\u00e9thodes \u00e0 noyaux. Un de mes axes principaux de recherche concerne l\u2019\u00e9chantillonnage de distributions de probabilit\u00e9 cibles, souvent en tr\u00e8s grande dimension, \u00e0 partir d\u2019informations partielles. Il s\u2019agit en particulier de comprendre les propri\u00e9t\u00e9s th\u00e9oriques des algorithmes utilis\u00e9s et de garantir leur convergence. Ce probl\u00e8me polyvalent trouve des applications dans des secteurs vari\u00e9s, de la biologie computationnelle, \u00e0 la physique, en passant par les industries cr\u00e9atives.<\/p>\n

En inf\u00e9rence Bay\u00e9sienne, j’\u00e9tudie la distribution de probabilit\u00e9 a posteriori des param\u00e8tres d\u2019un mod\u00e8le d\u2019apprentissage supervis\u00e9, par exemple ceux d\u2019un r\u00e9seau de neurones. Par ailleurs, en mod\u00e9lisation g\u00e9n\u00e9rative, mes travaux consistent \u00e0 apprendre la distribution de probabilit\u00e9 sous-jacente de donn\u00e9es (par exemple, un ensemble d\u2019images trouv\u00e9es sur le web) \u00e0 partir d’un ensemble d’\u00e9chantillons, afin d\u2019en g\u00e9n\u00e9rer de nouvelles (par exemple, g\u00e9n\u00e9rer de nouvelles images r\u00e9alistes).<\/p>\n

Outre l’\u00e9chantillonnage, je travaille aussi sur l’apprentissage des pr\u00e9f\u00e9rences, par exemple pour analyser les choix d’utilisateurs au sein d’un ensemble de biens.<\/p>\n

L\u2019\u00e9chantillonnage et l\u2019approche bay\u00e9sienne pr\u00e9sentent un enjeu particulier en apprentissage automatique ?<\/strong><\/span><\/p>\n

Beaucoup de probl\u00e8mes en intelligence artificielle reviennent \u00e0 savoir \u00e9chantillonner, c\u2019est-\u00e0-dire g\u00e9n\u00e9rer des \u00e9chantillons d\u2019une distribution de probabilit\u00e9, soit pour l’approcher, soit pour g\u00e9n\u00e9rer de nouvelles donn\u00e9es. <\/em>En apprentissage automatique Bay\u00e9sien, on peut mod\u00e9liser l’incertitude des pr\u00e9dictions en \u00e9chantillonnant les param\u00e8tres du mod\u00e8le. C\u2019est essentiel dans de nombreuses applications comme la mod\u00e9lisation scientifique ou certaines d\u00e9cisions automatis\u00e9es, qui n\u00e9cessitent une compr\u00e9hension plus fine que les seules pr\u00e9dictions ponctuelles. Par ailleurs, l\u2019agr\u00e9gation des pr\u00e9dictions obtenues via ces param\u00e8tres \u00e9chantillonn\u00e9s (autrement dit, le moyennage de mod\u00e8les) permet d’accro\u00eetre significativement la robustesse des r\u00e9sultats.<\/p>\n

Votre domaine de recherche est relativement r\u00e9cent et semble tr\u00e8s interdisciplinaire. En quoi est-ce la source d\u2019avanc\u00e9es majeures\u00a0?<\/strong><\/span><\/p>\n

Mes recherches se situent en effet \u00e0 l\u2019intersection de diverses communaut\u00e9s, notamment des experts en m\u00e9thodes MCMC (m\u00e9thodes de Monte Carlo par cha\u00eenes de Markov), en \u00e9quations aux d\u00e9riv\u00e9es partielles, syst\u00e8mes dynamiques, transport optimal et en apprentissage automatique. Ces derni\u00e8res ann\u00e9es, les fronti\u00e8res entre ces domaines traditionnellement ind\u00e9pendants se sont estomp\u00e9es et sont devenues plus fluides, ce qui a stimul\u00e9 les collaborations et les progr\u00e8s. Les conf\u00e9rences et ateliers rassemblant des chercheurs de ces domaines se multiplient, o\u00f9 des comp\u00e9tences vari\u00e9es mettent \u00e0 profit leurs expertises respectives pour relever les d\u00e9fis. Cette effervescence collaborative a permis des avanc\u00e9es remarquables, tant sur le plan th\u00e9orique que computationnel. Par exemple, en termes de garantie de convergence des sch\u00e9mas num\u00e9riques ou encore de limitations pratiques telles que le temps de convergence et les minima locaux.<\/p>\n

De nombreux probl\u00e8mes restent sans doute encore \u00e0 r\u00e9soudre. Quels aspects comptez-vous aborder ou d\u00e9velopper dans vos futures recherches\u00a0?<\/strong><\/span><\/p>\n

Bien que des progr\u00e8s significatifs aient \u00e9t\u00e9 r\u00e9alis\u00e9s dans les techniques d’\u00e9chantillonnage inspir\u00e9es de la litt\u00e9rature sur l’optimisation, de nombreux aspects demeurent inexplor\u00e9s. Une partie de ma recherche actuelle porte sur l’int\u00e9gration de contraintes dans les m\u00e9thodologies d’\u00e9chantillonnage. Par exemple, j’\u00e9tudie des moyens de garantir l’\u00e9quit\u00e9 des mod\u00e8les pr\u00e9dictifs en contraignant la distribution a posteriori, ce qui permet de r\u00e9aliser des pr\u00e9dictions ind\u00e9pendantes d’attributs sensibles comme le genre. Dans le domaine de la mod\u00e9lisation g\u00e9n\u00e9rative, il est \u00e9galement int\u00e9ressant d’int\u00e9grer des contraintes ou des pr\u00e9f\u00e9rences, par exemple pour g\u00e9n\u00e9rer des images r\u00e9pondant \u00e0 un crit\u00e8re tel que la luminosit\u00e9.<\/p>\n

Vous avez d’ailleurs obtenu en 2025 une bourse ERC<\/strong>[2]<\/sup><\/a> Starting Grant<\/em> pour le projet OptInfinite<\/em>. Quel est son objectif ?<\/strong><\/span><\/p>\n

OptInfinite<\/em> (Optimisation en dimension infinie) ambitionne de b\u00e2tir un cadre th\u00e9orique et pratique unifi\u00e9 s\u2019appuyant sur des outils de transport optimal et de g\u00e9om\u00e9trie de l\u2019information. Le but est de concevoir des m\u00e9thodes d\u2019\u00e9chantillonnage plus efficaces et capables de s\u2019adapter \u00e0 des espaces vari\u00e9s, bien au-del\u00e0 des donn\u00e9es vectorielles. Les m\u00e9thodes actuelles montrent vite leurs limites lorsqu\u2019il s\u2019agit de distributions complexes de grande dimension ou lorsqu\u2019on doit r\u00e9soudre des probl\u00e8mes d\u2019\u00e9chantillonnage ou de g\u00e9n\u00e9ration successifs, car elles restent en particulier tr\u00e8s co\u00fbteuses en calcul. Pour d\u00e9passer ces obstacles et atteindre l\u2019efficacit\u00e9 num\u00e9rique, nous explorons une approche par optimisation de mesures de probabilit\u00e9, qui permet de manipuler directement des distributions plut\u00f4t que de simples nombres ou vecteurs dans un espace Euclidien de dimension finie. \u00c0 terme, l\u2019objectif du projet est de fournir une v\u00e9ritable bo\u00eete \u00e0 outils applicable \u00e0 de multiples domaines, pour mieux comparer, manipuler et g\u00e9n\u00e9rer des donn\u00e9es complexes.<\/p>\n

Vous venez de recevoir la m\u00e9daille de bronze du CNRS. Que repr\u00e9sente cette distinction pour vous ?<\/strong><\/span><\/p>\n

C\u2019est une reconnaissance importante de mon travail, ainsi que celui de mes coll\u00e8gues Cela me touche beaucoup et me motive \u00e0 poursuivre mes recherches en explorant de nouvelles id\u00e9es.<\/p>\n

Quel message aimeriez-vous transmettre aux jeunes qui souhaitent se lancer dans la recherche ?<\/strong><\/span><\/p>\n

On a parfois l\u2019image que la recherche est r\u00e9serv\u00e9e \u00e0 des g\u00e9nies, mais ce n\u2019est pas le cas. La curiosit\u00e9, le go\u00fbt pour les questions et la pers\u00e9v\u00e9rance sont bien plus importants dans les parcours scientifiques. La dimension collective de la recherche rev\u00eat \u00e9galement une importance fondamentale, j\u2019ai toujours \u00e9norm\u00e9ment appris de mes collaboratrices et collaborateurs. Aujourd\u2019hui, avec la mont\u00e9e en puissance de l\u2019IA pour la r\u00e9solution de probl\u00e8mes math\u00e9matiques, cela me para\u00eet \u00eatre d\u2019autant plus le cas. Je suis persuad\u00e9e que nous aurons encore besoin de chercheurs en math\u00e9matiques dans le futur, m\u00eame si le m\u00e9tier est en train de changer.<\/p>\n

\n

[1]<\/sup><\/a> R\u00e9compense des travaux prometteurs en d\u00e9but de carri\u00e8re.<\/p>\n

[2]<\/sup><\/a> European Research Council<\/em>. D\u00e9cern\u00e9es par le Conseil europ\u00e9en de la recherche (ERC), les bourses Starting Grants<\/em> r\u00e9compensent de jeunes chercheurs (deux \u00e0 sept ans apr\u00e8s le doctorat) et soutiennent des projets de recherche de rupture visant \u00e0 repousser les fronti\u00e8res de la connaissance. Le seul crit\u00e8re de s\u00e9lection est l\u2019excellence scientifique.<\/p>\n

\n
Dossier Statistiques 2 – Sommaire :<\/h6>\n