Explore la dynamique des débits réguliers d'Euler sur les collecteurs Riemanniens, couvrant les fluides idéaux, les équations d'Euler, les débits eulérisables et les obstacles à l'exposition des bouchons.
Couvre les méthodes d'optimisation, les garanties de convergence, les compromis et les techniques de réduction de la variance en optimisation numérique.
Explore les méthodes de descente de gradient pour les problèmes convexes lisses et non convexes, couvrant les stratégies itératives, les taux de convergence et les défis d'optimisation.
Explore la convexité géodésique et son extension à l'optimisation sur les collecteurs, soulignant la préservation du fait clé que les minima locaux impliquent des minima globaux.
Déplacez-vous dans la non-convexité bénigne, l'analyse des composantes principales, l'achèvement de la matrice de bas rang et la détection communautaire dans l'optimisation.
Introduit Manopt, une boîte à outils pour l'optimisation sur les collecteurs lisses avec une structure Riemannienne, couvrant les fonctions de coûts, différents types de collecteurs, et principes d'optimisation.
Explore les expansions et les rétractations de Taylor sur les collecteurs Riemanniens, en mettant l'accent sur les approximations de second ordre et les dérivés covariants.
Couvre les techniques d'optimisation dans l'apprentissage automatique, en se concentrant sur la convexité et ses implications pour une résolution efficace des problèmes.
Couvre les connexions sur les collecteurs, les connexions symétriques, les crochets Lie, et la compatibilité avec la métrique en géométrie Riemannienne.