{"id":9270,"date":"2026-11-06T08:08:16","date_gmt":"2026-11-06T07:08:16","guid":{"rendered":"https:\/\/variances.eu\/?p=9270"},"modified":"2026-11-20T09:11:46","modified_gmt":"2026-11-20T08:11:46","slug":"le-crest-au-coeur-des-mathematiques-de-lia-generative","status":"publish","type":"post","link":"https:\/\/variances.eu\/?p=9270","title":{"rendered":"Le CREST au c\u0153ur des math\u00e9matiques de l\u2019IA g\u00e9n\u00e9rative"},"content":{"rendered":"<p>En quelques ann\u00e9es, l\u2019intelligence artificielle g\u00e9n\u00e9rative a r\u00e9alis\u00e9 des progr\u00e8s spectaculaires. Elle est aujourd\u2019hui capable de produire des textes et des images d\u2019une qualit\u00e9 stup\u00e9fiante. Elle trouve \u00e9galement des applications dans des domaines aussi vari\u00e9s que la cr\u00e9ation artistique ou la recherche pharmaceutique. Mais comment expliquer de telles performances ? Comment mesurer la pr\u00e9cision des mod\u00e8les utilis\u00e9s ? Et surtout, comment ces m\u00e9thodes parviennent-elles \u00e0 traiter des donn\u00e9es de tr\u00e8s grande dimension, alors que les difficult\u00e9s statistiques augmentent g\u00e9n\u00e9ralement avec celle-ci ?<\/p>\n<p>Ces questions sont au c\u0153ur des recherches men\u00e9es au Centre de recherche en \u00e9conomie et statistique (CREST), qui contribue au rayonnement international de l\u2019Institut Polytechnique de Paris (IP Paris). Parmi les approches \u00e9tudi\u00e9es figurent les mod\u00e8les de diffusion, qui reposent sur une id\u00e9e originale : apprendre \u00e0 inverser un processus al\u00e9atoire pour g\u00e9n\u00e9rer de nouvelles donn\u00e9es. Des travaux r\u00e9cents de chercheurs du CREST permettent de mieux comprendre les garanties math\u00e9matiques de ces m\u00e9thodes, notamment les erreurs li\u00e9es \u00e0 leur mise en \u0153uvre num\u00e9rique et le r\u00f4le de la dimension des donn\u00e9es.<\/p>\n<p>\u00c0 travers ces recherches, c\u2019est une facette parfois m\u00e9connue de l\u2019IA g\u00e9n\u00e9rative qui appara\u00eet : celle d\u2019un domaine o\u00f9 la statistique, les probabilit\u00e9s et l\u2019analyse num\u00e9rique jouent un r\u00f4le essentiel pour comprendre les performances des algorithmes et en cerner les limites.<\/p>\n<h3>Une \u00e9quipe de recherche de premier plan<\/h3>\n<p>Peu de gens le savent : l\u2019Institut Polytechnique de Paris figure parmi les 30 meilleures universit\u00e9s au monde en statistique, selon le classement th\u00e9matique de Shanghai.<\/p>\n<p>Cette reconnaissance internationale vient saluer le travail des \u00e9quipes de recherche, et notamment celui du Centre de recherche en \u00e9conomie et statistique (CREST), cr\u00e9\u00e9 en 1988 : pr\u00e8s de la moiti\u00e9 des statisticiens d\u2019IP Paris sont membres du CREST et enseignants-chercheurs \u00e0 l\u2019ENSAE Paris.<\/p>\n<p>Dirig\u00e9e par Alexandre Tsybakov de 2010 \u00e0 2024, l\u2019\u00e9quipe de statistique du CREST s\u2019est consid\u00e9rablement d\u00e9velopp\u00e9e au cours de cette p\u00e9riode. Elle r\u00e9unit aujourd\u2019hui une douzaine de chercheurs qui travaillent sur des sujets vari\u00e9s : r\u00e9duction de dimension, \u00e9chantillonnage, optimisation stochastique, \u00e9quit\u00e9, confidentialit\u00e9 ou encore apprentissage s\u00e9quentiel. Cette diversit\u00e9 refl\u00e8te l\u2019\u00e9largissement du champ de la statistique, d\u00e9sormais \u00e9troitement li\u00e9 aux questions soulev\u00e9es par l\u2019intelligence artificielle et l\u2019apprentissage automatique.<\/p>\n<p>Plusieurs membres de l\u2019\u00e9quipe ont re\u00e7u des distinctions internationales ou occupent des responsabilit\u00e9s \u00e9ditoriales dans des revues scientifiques de r\u00e9f\u00e9rence. Cristina Butucea, Nicolas Chopin et Alexandre Tsybakov sont <em>Fellows of the Institute of Mathematical Statistics<\/em>, un titre prestigieux dans la communaut\u00e9 scientifique. Nicolas Chopin est par ailleurs l\u2019un des trois r\u00e9dacteurs en chef du <em>Journal of the Royal Statistical Society: Series B<\/em> (JRSS B), l\u2019une des principales revues de statistique. Autre signe de ce rayonnement scientifique, Anna Korba et Arnak Dalalyan ont chacun obtenu une bourse du Conseil europ\u00e9en de la recherche (ERC), dot\u00e9e d\u2019environ 1,5 million d\u2019euros sur cinq ans. Leurs projets portent sur l\u2019\u00e9tude des propri\u00e9t\u00e9s math\u00e9matiques de l\u2019intelligence artificielle g\u00e9n\u00e9rative, un domaine de recherche en pleine expansion.<\/p>\n<h3>Les mod\u00e8les de diffusion : du hasard \u00e0 la cr\u00e9ation<\/h3>\n<p>L\u2019intelligence artificielle g\u00e9n\u00e9rative a fait une entr\u00e9e remarqu\u00e9e dans notre quotidien. Des outils comme ChatGPT, Claude ou Midjourney permettent d\u00e9sormais de produire, en quelques instants, des textes, des images ou m\u00eame de la musique d\u2019une qualit\u00e9 souvent saisissante. D\u00e8s 2022, une \u0153uvre r\u00e9alis\u00e9e avec l\u2019aide de l\u2019IA g\u00e9n\u00e9rative Midjourney, <em>Th\u00e9\u00e2tre d\u2019op\u00e9ra spatial<\/em>, remportait le premier prix d\u2019un concours d\u2019art num\u00e9rique organis\u00e9 dans le Colorado, aux \u00c9tats-Unis. Dans la recherche pharmaceutique, l\u2019IA g\u00e9n\u00e9rative est notamment utilis\u00e9e pour concevoir de nouvelles mol\u00e9cules susceptibles de devenir des m\u00e9dicaments. Derri\u00e8re ces prouesses se cachent pourtant des questions fondamentales : comment ces mod\u00e8les fonctionnent-ils r\u00e9ellement ? Pourquoi sont-ils aussi performants ? Et peut-on garantir la fiabilit\u00e9 de leurs r\u00e9sultats ?<\/p>\n<p>Parmi les approches qui ont r\u00e9volutionn\u00e9 l\u2019IA g\u00e9n\u00e9rative figurent les mod\u00e8les de diffusion, fond\u00e9s sur une id\u00e9e math\u00e9matique aussi surprenante que puissante : inverser un processus de diffusion al\u00e9atoire. Cette approche, au c\u0153ur des travaux de plusieurs chercheurs du CREST, sera expliqu\u00e9e plus en d\u00e9tail dans la suite de cet article.<\/p>\n<p>Mais avant d\u2019entrer dans le vif du sujet, commen\u00e7ons par une exp\u00e9rience toute simple. Nous avons demand\u00e9 \u00e0 ChatGPT de g\u00e9n\u00e9rer une image illustrant la notion de variance, en lui soumettant quatre fois exactement la m\u00eame instruction : \u00ab G\u00e9n\u00e8re une image de la variance \u00bb. Voici les quatre r\u00e9sultats obtenus :<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"aligncenter size-full wp-image-9279\" src=\"https:\/\/variances.eu\/wp-content\/uploads\/2026\/11\/f3.png\" alt=\"\" width=\"1000\" height=\"254\" srcset=\"https:\/\/variances.eu\/wp-content\/uploads\/2026\/11\/f3.png 1000w, https:\/\/variances.eu\/wp-content\/uploads\/2026\/11\/f3-300x76.png 300w\" sizes=\"(max-width: 1000px) 100vw, 1000px\" \/><\/p>\n<p><strong>Figure 1.<\/strong> <em>Quatre images produites par ChatGPT \u00e0 partir de l\u2019instruction : \u00ab G\u00e9n\u00e8re une image de la variance \u00bb. La diversit\u00e9 des r\u00e9sultats illustre le caract\u00e8re al\u00e9atoire de l\u2019IA g\u00e9n\u00e9rative.<\/em><\/p>\n<p>Chacune de ces quatre images r\u00e9sulte d\u2019un tirage al\u00e9atoire selon une loi de probabilit\u00e9 d\u00e9pendant de l\u2019instruction fournie. Mais quel rapport avec les processus de diffusion ? Ces derniers d\u00e9crivent notamment le mouvement d\u2019une particule dans l\u2019espace, dont la dynamique est caract\u00e9ris\u00e9e par deux fonctions : la d\u00e9rive et le coefficient de diffusion. Convenablement choisies, ces fonctions garantissent que la loi de la position de la particule converge, \u00e0 une vitesse exponentielle, vers la loi gaussienne standard, quelle que soit sa distribution initiale. Une image peut \u00eatre vue comme un point dans un espace de tr\u00e8s grande dimension, chaque coordonn\u00e9e correspondant \u00e0 l\u2019intensit\u00e9 d\u2019un pixel. Ainsi, si l\u2019on part d\u2019une image tir\u00e9e au hasard parmi celles repr\u00e9sentant la variance et qu\u2019on la fait \u00e9voluer selon un tel processus, on obtient, apr\u00e8s un temps suffisamment long, un objet dont la distribution est proche d\u2019une loi gaussienne standard.<\/p>\n<p>Le lien entre les processus de diffusion et l\u2019IA g\u00e9n\u00e9rative appara\u00eet alors clairement : si l\u2019on parvenait \u00e0 inverser la dynamique du processus de diffusion, il suffirait de tirer un vecteur al\u00e9atoire selon la loi gaussienne standard et de le faire \u00e9voluer selon cette dynamique invers\u00e9e pour obtenir une image tir\u00e9e au hasard parmi celles repr\u00e9sentant la variance. Mais une telle inversion est-elle math\u00e9matiquement possible ?<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"aligncenter size-full wp-image-9278\" src=\"https:\/\/variances.eu\/wp-content\/uploads\/2026\/11\/f4.png\" alt=\"\" width=\"1000\" height=\"318\" srcset=\"https:\/\/variances.eu\/wp-content\/uploads\/2026\/11\/f4.png 1000w, https:\/\/variances.eu\/wp-content\/uploads\/2026\/11\/f4-300x95.png 300w\" sizes=\"(max-width: 1000px) 100vw, 1000px\" \/><\/p>\n<p><strong>Figure 2.<\/strong> <em>Illustration d\u2019un processus de diffusion : au fil du temps, une loi de probabilit\u00e9 initialement concentr\u00e9e sur un cercle \u00e9volue vers une loi gaussienne standard. Cet exemple montre comment une distribution port\u00e9e par une vari\u00e9t\u00e9 de faible dimension peut progressivement se diffuser dans l\u2019espace ambiant.<\/em><\/p>\n<p>Une autre propri\u00e9t\u00e9 remarquable des processus de diffusion vient \u00e0 notre secours : lorsqu\u2019on inverse le temps, on obtient, sous certaines conditions, un nouveau processus de diffusion, dont le coefficient de diffusion reste inchang\u00e9 et dont la d\u00e9rive admet une formule explicite. Le probl\u00e8me semble donc r\u00e9solu.<\/p>\n<h3>Les deux d\u00e9fis : statistique et num\u00e9rique<\/h3>\n<p>Pourtant, deux difficult\u00e9s majeures subsistent. La premi\u00e8re est statistique : la d\u00e9rive du processus invers\u00e9 d\u00e9pend de la loi initiale, qui nous est inconnue. Dans notre exemple, il s\u2019agit de la loi des images repr\u00e9sentant la variance. Or, un programme d\u2019IA g\u00e9n\u00e9rative ne conna\u00eet pas toutes les images possibles correspondant \u00e0 cette instruction : il doit apprendre \u00e0 en reproduire la distribution \u00e0 partir d\u2019exemples. La loi initiale constitue donc ce que les statisticiens appellent un <em>param\u00e8tre fonctionnel inconnu<\/em>.<\/p>\n<p>La seconde difficult\u00e9 est num\u00e9rique : un processus de diffusion \u00e9volue en temps continu, tandis qu\u2019un ordinateur ne peut effectuer qu\u2019un nombre fini de calculs. Il faut donc discr\u00e9tiser sa dynamique, c\u2019est-\u00e0-dire remplacer l\u2019\u00e9volution continue par un nombre fini d\u2019\u00e9tapes temporelles successives.<\/p>\n<p>En r\u00e9sum\u00e9, l\u2019IA g\u00e9n\u00e9rative fond\u00e9e sur les mod\u00e8les de diffusion fonctionne en deux \u00e9tapes. D\u2019abord, un ensemble d\u2019exemples, appel\u00e9 <em>\u00e9chantillon d\u2019entra\u00eenement<\/em>, permet d\u2019estimer la d\u00e9rive du processus invers\u00e9. Ensuite, un vecteur est tir\u00e9 al\u00e9atoirement selon la loi gaussienne standard, puis transform\u00e9 en appliquant la dynamique inverse estim\u00e9e et discr\u00e9tis\u00e9e.<\/p>\n<p>Les travaux de plusieurs \u00e9quipes dans le monde, dont celle du CREST, visent notamment \u00e0 comprendre comment la pr\u00e9cision de cette proc\u00e9dure d\u00e9pend de deux param\u00e8tres essentiels. Le premier est la taille de l\u2019\u00e9chantillon d\u2019entra\u00eenement : plus elle est faible, plus l\u2019estimation de la d\u00e9rive risque d\u2019\u00eatre impr\u00e9cise. Comment quantifier cette perte de pr\u00e9cision et construire des estimateurs atteignant les meilleures performances th\u00e9oriquement possibles ? Le second est le nombre d\u2019\u00e9tapes de discr\u00e9tisation : trop peu d\u2019\u00e9tapes peuvent \u00e9loigner la dynamique simul\u00e9e de la diffusion v\u00e9ritable. Comment mesurer cette erreur et d\u00e9terminer le nombre d\u2019\u00e9tapes n\u00e9cessaires pour garantir une pr\u00e9cision donn\u00e9e ? \u00c0 ces difficult\u00e9s s\u2019ajoute la <em>mal\u00e9diction de la dimension<\/em> : dans les probl\u00e8mes d\u2019estimation de param\u00e8tres fonctionnels, la taille de l\u2019\u00e9chantillon n\u00e9cessaire pour garantir une pr\u00e9cision donn\u00e9e peut cro\u00eetre exponentiellement avec la dimension. Ce ph\u00e9nom\u00e8ne repr\u00e9sente un d\u00e9fi majeur pour l\u2019IA g\u00e9n\u00e9rative, o\u00f9 les images sont repr\u00e9sent\u00e9es par des vecteurs comportant parfois des millions de coordonn\u00e9es.<\/p>\n<h3>Des garanties math\u00e9matiques pour l\u2019IA g\u00e9n\u00e9rative<\/h3>\n<p>Un r\u00e9sultat r\u00e9cent, obtenu par Vahan Arsenyan, Elen Vardanyan et Arnak Dalalyan, pr\u00e9sent\u00e9 \u00e0 la conf\u00e9rence internationale NeurIPS en 2025, apporte un \u00e9clairage important sur la pr\u00e9cision des mod\u00e8les de diffusion. Les auteurs montrent notamment que, sous certaines conditions, l\u2019erreur li\u00e9e \u00e0 la discr\u00e9tisation d\u00e9cro\u00eet comme l\u2019inverse du nombre d\u2019\u00e9tapes temporelles. Autrement dit, doubler ce nombre permet de diviser approximativement cette erreur par deux.<\/p>\n<p>L\u2019un des points forts de ce r\u00e9sultat est qu\u2019il ne n\u00e9cessite pas que la loi des donn\u00e9es poss\u00e8de une densit\u00e9 strictement positive partout. Il s\u2019applique ainsi \u00e0 des situations o\u00f9 les donn\u00e9es sont concentr\u00e9es sur une <em>vari\u00e9t\u00e9 de faible dimension<\/em>, c\u2019est-\u00e0-dire une surface ou une structure g\u00e9om\u00e9trique occupant une petite partie de l\u2019espace ambiant.<\/p>\n<p>Prenons une image en niveaux de gris de r\u00e9solution 128 \u00d7 128 pixels : elle correspond \u00e0 un vecteur de dimension 16 384. Pourtant, il est plausible que les images repr\u00e9sentant des objets naturels se concentrent pr\u00e8s d\u2019une vari\u00e9t\u00e9 de dimension bien inf\u00e9rieure. Cette hypoth\u00e8se pourrait contribuer \u00e0 expliquer pourquoi les mod\u00e8les g\u00e9n\u00e9ratifs restent performants malgr\u00e9 la tr\u00e8s grande dimension des images.<\/p>\n<p>Cette id\u00e9e fait \u00e9cho \u00e0 un autre travail d\u2019Arnak Dalalyan, r\u00e9alis\u00e9 avec Nicolas Schreuder et Victor-Emmanuel Brunel, consacr\u00e9 aux <em>Wasserstein GAN<\/em>, les R\u00e9seaux antagonistes g\u00e9n\u00e9ratifs, bas\u00e9s sur la distance de Leonid Wasserstein (1969), une autre famille de mod\u00e8les g\u00e9n\u00e9ratifs. Les auteurs ont \u00e9tabli des garanties statistiques dans lesquelles la pr\u00e9cision d\u00e9pend de la dimension intrins\u00e8que des donn\u00e9es, plut\u00f4t que de celle de l\u2019espace ambiant. En particulier, sous leurs hypoth\u00e8ses, l\u2019erreur d\u00e9cro\u00eet \u00e0 une vitesse de l\u2019ordre de<em> n<sup>\u22121\/d<\/sup><\/em>, o\u00f9 <em>n<\/em> d\u00e9signe la taille de l\u2019\u00e9chantillon d\u2019entra\u00eenement et <em>d<\/em> la dimension intrins\u00e8que.<\/p>\n<p>Obtenir des garanties comparables pour les mod\u00e8les de diffusion constitue aujourd\u2019hui une direction de recherche active et particuli\u00e8rement prometteuse. L\u2019enjeu est de comprendre comment ces mod\u00e8les peuvent exploiter la structure g\u00e9om\u00e9trique des donn\u00e9es pour \u00e9chapper, au moins partiellement, \u00e0 la mal\u00e9diction de la dimension.<\/p>\n<p>Ces recherches illustrent le r\u00f4le essentiel des math\u00e9matiques dans le d\u00e9veloppement de l\u2019intelligence artificielle. Derri\u00e8re les performances des mod\u00e8les g\u00e9n\u00e9ratifs se cachent des questions fondamentales de statistique, de probabilit\u00e9s et d\u2019analyse num\u00e9rique. En cherchant \u00e0 y r\u00e9pondre, les chercheurs du CREST contribuent non seulement \u00e0 mieux comprendre les m\u00e9thodes actuelles, mais aussi \u00e0 poser les bases d\u2019une IA g\u00e9n\u00e9rative plus fiable et mieux ma\u00eetris\u00e9e.<\/p>\n<hr \/>\n<h3><strong>Pour aller plus loin<\/strong><\/h3>\n<p>Arsenyan V., Vardanyan E. et Dalalyan A. (2025). <em>Assessing the Quality of Denoising Diffusion Models in Wasserstein Distance: Noisy Score and Optimal Bounds<\/em>. Conference on Neural Information Processing Systems.<\/p>\n<p>Marion P., Korba A., Bartlett P. et al. (2025). <em>Implicit Diffusion: Efficient Optimization through Stochastic Sampling<\/em>. International Conference on Artificial Intelligence and Statistics.<\/p>\n<p>Schreuder N., Brunel V.-E. et Dalalyan A. (2021). <em>Statistical Guarantees for Generative Models without Domination<\/em>. International Conference on Algorithmic Learning Theory.<\/p>\n<hr \/>\n<h6 style=\"padding-left: 40px;\">Dossier Statistiques 2 &#8211; Sommaire :<\/h6>\n<ul>\n<li style=\"list-style-type: none;\">\n<ul>\n<li style=\"list-style-type: none;\">\n<ul>\n<li><span style=\"text-decoration: underline;\"><span style=\"color: #0000ff; text-decoration: underline;\"><a style=\"color: #0000ff; text-decoration: underline;\" href=\"https:\/\/variances.eu\/?p=9254\" target=\"_blank\" rel=\"noopener\">Editorial<\/a><\/span><\/span><\/li>\n<li><span style=\"text-decoration: underline;\"><span style=\"color: #0000ff; text-decoration: underline;\"><a style=\"color: #0000ff; text-decoration: underline;\" href=\"https:\/\/variances.eu\/?p=9228\" target=\"_blank\" rel=\"noopener\">Droit et statistique : une liaison plus que centenaire<\/a><\/span><\/span><\/li>\n<li><span style=\"text-decoration: underline;\"><span style=\"color: #0000ff; text-decoration: underline;\"><a style=\"color: #0000ff; text-decoration: underline;\" href=\"https:\/\/variances.eu\/?p=9224\" target=\"_blank\" rel=\"noopener\">Un degr\u00e9 de plus ou de moins, \u00e7a change quoi ? Ce que la m\u00e9t\u00e9o r\u00e9v\u00e8le de nos comportements et de l&rsquo;\u00e9conomie<\/a><\/span><\/span><\/li>\n<li><span style=\"text-decoration: underline;\"><span style=\"color: #0000ff; text-decoration: underline;\"><a style=\"color: #0000ff; text-decoration: underline;\" href=\"https:\/\/variances.eu\/?p=9242\" target=\"_blank\" rel=\"noopener\">L&rsquo;apprentissage bay\u00e9sien \u00e0 l&rsquo;heure des LLM<\/a><\/span><\/span><\/li>\n<li><span style=\"text-decoration: underline;\"><span style=\"color: #0000ff; text-decoration: underline;\"><a style=\"color: #0000ff; text-decoration: underline;\" href=\"https:\/\/variances.eu\/?p=9213\" target=\"_blank\" rel=\"noopener\">Entretien avec Anna Korba<\/a><\/span><\/span><\/li>\n<li><a href=\"https:\/\/variances.eu\/?p=9270\" target=\"_blank\" rel=\"noopener\"><span style=\"text-decoration: underline;\"><span style=\"color: #0000ff; text-decoration: underline;\">Le CREST au c\u0153ur des math\u00e9matiques de l\u2019IA g\u00e9n\u00e9rative<\/span><\/span><\/a><\/li>\n<li><a href=\"https:\/\/variances.eu\/?p=9198\" target=\"_blank\" rel=\"noopener\"><span style=\"text-decoration: underline;\"><span style=\"color: #0000ff; text-decoration: underline;\">Calcul quantique : quels enjeux pour l\u2019\u00e9conomie fran\u00e7aise dans ce secteur naissant ?<\/span><\/span><\/a><\/li>\n<li><span style=\"text-decoration: underline;\"><span style=\"color: #0000ff; text-decoration: underline;\"><a style=\"color: #0000ff; text-decoration: underline;\" href=\"https:\/\/variances.eu\/?p=9219\" target=\"_blank\" rel=\"noopener\">IA et Enseignement sup\u00e9rieur<\/a><\/span><\/span><\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n","protected":false},"excerpt":{"rendered":"<p>En quelques ann\u00e9es, l\u2019intelligence artificielle g\u00e9n\u00e9rative a r\u00e9alis\u00e9 des progr\u00e8s spectaculaires. Elle est aujourd\u2019hui capable de produire des textes et des images d\u2019une qualit\u00e9 stup\u00e9fiante. Elle trouve \u00e9galement des applications dans des domaines aussi vari\u00e9s que la cr\u00e9ation artistique ou la recherche pharmaceutique. Mais comment expliquer de telles performances ? Comment mesurer la pr\u00e9cision des [&hellip;]<\/p>\n","protected":false},"author":556,"featured_media":9271,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_et_pb_use_builder":"","_et_pb_old_content":"","_et_gb_content_width":"","_exactmetrics_skip_tracking":false,"footnotes":""},"categories":[18],"tags":[],"class_list":["post-9270","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-statistiques","et-has-post-format-content","et_post_format-et-post-format-standard"],"_links":{"self":[{"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/posts\/9270","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/users\/556"}],"replies":[{"embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=9270"}],"version-history":[{"count":7,"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/posts\/9270\/revisions"}],"predecessor-version":[{"id":9293,"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/posts\/9270\/revisions\/9293"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=\/wp\/v2\/media\/9271"}],"wp:attachment":[{"href":"https:\/\/variances.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=9270"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=9270"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/variances.eu\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=9270"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}