[general_dat] (recordatorio y corrección) Defensa tesis de licenciatura en cs de datos Noelia Falczuk

[Pablo Groisman]

La defensa de Noelia tendrá lugar mañana, *jueves 18 de diciembre, a las
12hs en el aula 1301* del 0+inf.

Las y los esperamos!


On Fri, Dec 12, 2025 at 5:29 PM Pablo Groisman <pgroisma at dm.uba.ar> wrote:

> El próximo jueves *17 *de diciembre a las* 12hs** Noelia Falczuk*
> defenderá su *tesis de licenciatura *en cs. de datos titulada,
>
> *Cuantización conjunta de medidas para aprendizaje automático.*
>
> La misma se llevará a cabo en la *aula 1303 del 0+inf*.
>
> Directores: Mariela Sued y Pablo Groisman.
> El jurado lo completan Andrés Farall y Daniel Carando.
>
> Estan todas/os invitadas/os.
>
> *Resumen: * En numerosos problemas de aprendizaje automático, los datos
> no se representan adecuadamente como puntos individuales, sino como
> distribuciones de probabilidad. Sin embargo, trabajar directamente con
> distribuciones completas o con grandes volúmenes de datos suele ser
> computacionalmente costoso. La cuantización de medidas ofrece una
> aproximación natural al reemplazar distribuciones complejas por
> representaciones discretas óptimas.
>
> Discutimos el marco teórico de la cuantización óptima de medidas en
> espacios de Wasserstein y sus diferentes formulaciones. Establecemos
> resultados de existencia y convergencia de cuantizadores óptimos, y
> demostramos la densidad de las medidas de soporte finito. Posteriormente
> extendemos este marco al caso de la cuantización conjunta, una nueva
> formulación cuyo objetivo es representar simultáneamente múltiples
> distribuciones mediante una única medida discreta. Además, analizamos su
> relación con el problema del baricentro de Wasserstein, estableciendo
> condiciones bajo las cuales el cuantizador conjunto converge al baricentro.
> Esto permite, en particular, obtener un método práctico para aproximar
> baricentros.
>
> Finalmente, discutimos aplicaciones de la cuantización conjunta en
> problemas actuales de aprendizaje automático, incluyendo flow matching para
> modelos generativos y aprendizaje federado.
>