Optimisation non convexe : défis et stratégies

Cette séance de cours se décline en problèmes d'optimisation non convexe avec des contraintes non linéaires, se concentrant sur la déconvolution aveugle de l'image comme exemple illustratif. Il couvre les formulations standard d'optimisation convexe, les relaxations SDP, et les applications dans la théorie des graphiques, le clustering, et les réseaux neuronaux. L'instructeur discute des défis en matière de garanties de convergence et introduit des stratégies comme la méthode de graduation conditionnelle Homotopy et l'approche lagrangien augmentée.