Algorithmes fondés sur DCA pour les programmes DC stochastiques comportant des contraintes DC.
DCA based algorithms for DC constrained stochastic DC programs
Jury
Directeur de these_LE THI_Hoai-An_Université de Lorraine
Rapporteur_NGUYEN_Viet Hung_Université Clermont Auvergne
Rapporteur_NGUYEN_Minh Lam_ IBM Research, Thomas J. Watson Research Center
Examinateur_GLINEUR_François_Université catholique de Louvain
Examinateur_GUERMEUR_Yann_Université de Lorraine
Examinateur_LE_Hoai Minh_Université de Lorraine
école doctorale
IAEM - INFORMATIQUE - AUTOMATIQUE - ELECTRONIQUE - ELECTROTECHNIQUE - MATHEMATIQUES
Laboratoire
LCOMS - Laboratoire de Conception, Optimisation et Modélisation des Systèmes
Mention de diplôme
Informatique
BN1-001 (Bâtiment B, 1er étage)
UFR MIM, Université de Lorraine, 3 rue Augustin Fresnel, 57070 Metz
Mots clés
Optimisation stochastique,Programmation non-convexe,Programmation DC,DCA,Apprentissage automatique,Logistique,
Résumé de la thèse
L'optimisation stochastique joue un rôle central dans la science des données moderne et la recherche opérationnelle, où l'incertitude, l'aléa et les données à grande échelle rendent les méthodes déterministes impraticables. Cette thèse se concentre sur l'optimisation stochastique non convexe avec contraintes, possédant une structure en fonctions différence de convexes (DC).
Keywords
Stochastic Optimization,Nonconvex programming,DC programming,DCA,Machine learning,Logistic,
Abstract
Stochastic optimization plays a central role in modern data science and operations research, where uncertainty, randomness, and large-scale data render deterministic methods impractical. This thesis focuses on nonconvex constrained stochastic optimization with difference-of-convex functions (DC) structures. Its main objective is to design and analyze novel stochastic DC algorithms that address challenges such as scalability, feasibility of constraints, and variance reduction, with applications in machine learning and logistics.
The thesis is organized into six chapters.
