Gabriel Victorino Cardoso

Biographie

Gabriel Victorino Cardoso est un chercheur spécialisé en méthodes computationnelles pour l’inférence statistique et la modélisation générative. Ses travaux se concentrent sur le développement d’algorithmes avancés pour résoudre des problèmes inverses et des tâches d’inférence bayésienne, notamment dans des contextes où les modèles sous-jacents reposent sur des simulateurs complexes. Il explore des approches innovantes telles que l’inférence basée sur la simulation (SBI), les modèles génératifs par diffusion (score-based diffusion models) et les méthodes de Monte Carlo séquentielles, avec des applications en neurosciences computationnelles et en imagerie médicale, en particulier pour l’analyse des signaux électrocardiographiques (ECG). Ses contributions incluent des améliorations algorithmiques pour l’efficacité et la stabilité des estimateurs, ainsi que des cadres théoriques pour réduire les biais et contrôler la variance dans les approximations stochastiques.

Publication(s)

2026
Diffusion posterior sampling for simulation-based inference in tall data settings
2025
Reconstructing ECG from indirect signals: a denoising diffusion approach DOI : 10.1098/rsta.2024.0330
2024
MONTE CARLO GUIDED DENOISING DIFFUSION MODELS FOR BAYESIAN LINEAR INVERSE PROBLEMS
2024
PARTICLE-BASED, RAPID INCREMENTAL SMOOTHER MEETS PARTICLE GIBBS DOI : 10.5705/ss.202020.0215
2024
Leveraging an ECG Beat Diffusion Model for Morphological Reconstruction from Indirect Signals
2023
Particle-based, Rapid Incremental Smoother Meets Particle Gibbs DOI : 10.5705/ss.202022.0215
2023
State and parameter learning with PARIS particle Gibbs
2022
A Patient-Specific Single Equivalent Dipole Model DOI : 10.22489/CinC.2022.260
2022
BR-SNIS: Bias Reduced Self-Normalized Importance Sampling

Enseignements

Modèles génératifs

Responsable

Le but du cours est d'introduire les modèles génératifs utilisés pour la génération des modalités autres que le language (notamment l'image, mais pas que). Le cours debutera par une introduction aux different modèles utilisés (Normalizing Flow, VAE, GANs) pour aboutir très vite sur des modèles du type diffusion, qui seront le coeur de ce cours. Tout le long du cours, nous serons intéressés par les propriétés statistiques des modèles bien comme leur impléméntation pratique et leur efficacité. Pour introduire des modèles de diffusion, nous commencerons par l'apprentissage du score et comment nous pouvons l'utiliser pour générér des echantillons de certaines distributions (via l'echantillonneur de Langevin). Puis nous passerons a la façon actuelle d'utiliser le score pour générer des données, d'abord de façon discrete (chaines de Markov) qui est étendue par la suite au formalisme du temps continu (Equations differentielles stochastiques). Cela permettra d'investiguer notamment les théorèmes de convergence pour ces modèles. Par la suite, le cours abordera comment il est possible d'utiliser des modèles de diffusion pour faire de la génération conditionnel (image / texte et autres), en abordant notamment les thèmes suivants: Classifier guidance, Classifier Free guidance, Training free guidance. Pendant tout le cour, nous travaillerons en parallele avec un cas des données jouets (à cause de la limitation de puissance de calcul) où les participants pourront implementer les méthodes vues en cours. La dernière heure de chaque cours sera dedié aux notebooks et aux feuilles d'éxércices et aux questions. L'examen portera sur les modèles de diffusion et les differents formalismes mathématiques et leur propriétés statistiques.

Apprentissage automatique à grande échelle et extraction de données

Responsable

La semaine est organisée autour de trois types d'activités : Les cours magistraux (matin) Sessions pratiques (après-midi) Conférence et tables rondes (soirs)