Mathématiques de l’apprentissage profond

Aperçu

Le PEPR Intelligence Artificielle (IA) constitue le volet amont de la stratégie d’accélération décidée par l’Etat pour contribuer à l’effort de relance et préparer l’avenir de la France en relevant les défis économiques, sociaux, et environnementaux en intelligence artificielle (seconde phase de la stratégie nationale pour l’IA).

L’implantation opérationnelle du PEPR IA se matérialise au travers deux types de projets : des projets ciblés, lancés au démarrage du programme et qui rassemblent des communautés de recherche structurées autour de thématiques bien définies, couvrant les axes du PEPR IA, et des projets sélectionnés via des Appels à Projets (AAP), qui visent à étendre la structuration vers une communauté scientifique existante mais diffuse, pour répondre à des problématiques bien définies, en complément des objets traités dans le cadre des projets ciblés. Ce document décrit l’Appel à Projets, qui est spécifique à l’axe « fondements mathématiques » du PEPR IA, et qui est doté d’un budget de financement de 6M€ : il précise le contexte et les objectifs de l’appel, son phasage, les thématiques et les projets attendus, les modalités de dépôt des propositions, la procédure d’examen et de sélection des projets candidats ainsi que les critères d’évaluation des propositions et les dispositions générales pour le financement. Les projets auront une durée comprise entre 36 et 48 mois. Le montant de l’aide demandée devra être d’un montant minimum de 600 k€ et d’un montant maximum de 1 M€.

L’appel est clos et en cours de traitement.

Lien de l’appel vers le site de l’ANR : anr.fr/appel-a-projets-mathematiques-de-lapprentissage-profond-2024/


Autres projets

 ADAPTING
ADAPTING
Architectures adaptatives pour l'intelligence artificielle embarquée
Voir plus
 Appel à chaires Attractivité
Appel à chaires Attractivité
Le PEPR IA offre aux chercheurs en IA l’opportunité d’établir et de diriger un programme de recherche et une équipe en France pour une durée de 4 ans.
Voir plus
 CAUSALI-T-AI
CAUSALI-T-AI
La causalité au service de la robustesse et de l’explicabilité des algorithmes d’IA
Voir plus
 EMERGENCES
EMERGENCES
Modèles émergents proche physique pour l'IA embarquée
Voir plus
 FOUNDRY
FOUNDRY
Les fondements de la robustesse et de la fiabilité en intelligence artificielle
Voir plus
 HOLIGRAIL
HOLIGRAIL
Approches holistiques pour les architectures plus efficaces pour l'inférence et l'apprentissage
Voir plus
 PDE-AI
PDE-AI
Nouvelles architectures pour l’apprentissage automatique
Voir plus
 REDEEM
REDEEM
Apprentissage automatique résilient, décentralisé et respectueux de la vie privée
Voir plus
 SAIF
SAIF
Sûreté de l’intelligence artificielle investiguée par les méthodes formelles
Voir plus
 SHARP
SHARP
Principes théoriques et algorithmiques de l’apprentissage frugal
Voir plus