Constantine Caramanis (né le 25 août 1977) est professeur au département de génie électrique et informatique de l'Université du Texas à Austin, où il occupe la chaire distinguée Chandra Family en génie électrique et informatique. Ses recherches portent sur l'apprentissage automatique, les statistiques en haute dimension, l'optimisation et la prise de décision dans les systèmes à grande échelle, avec des applications couvrant les communications, les transports, l'énergie et les réseaux sociaux.
Caramanis est connu pour ses contributions à l'optimisation robuste et adaptable, ainsi qu'à l'analyse de données corrompues ou incomplètes dans des contextes de haute dimension. Son travail fait le pont entre les fondements théoriques et les algorithmes pratiques, relevant les défis de l'intelligence artificielle et de la science des données.
Formation et carrière
Caramanis a obtenu un AB en mathématiques de l'Université Harvard. Il a ensuite poursuivi des études supérieures au Massachusetts Institute of Technology, où il a obtenu une maîtrise et un doctorat en génie électrique et informatique. Sa thèse de doctorat, achevée en 2006, était intitulée Adaptable optimization: theory and algorithms.
En 2006, il a rejoint le corps professoral du département de génie électrique et informatique de l'Université du Texas à Austin. Au cours de sa carrière, il a supervisé de nombreux étudiants au doctorat et a collaboré avec des chercheurs de institutions académiques et de l'industrie.
Contributions à la recherche
Les premiers travaux de Caramanis sur l'optimisation adaptable ont introduit des méthodes pour la prise de décision sous incertitude, où les paramètres ne sont pas entièrement connus au moment de l'optimisation. Cette ligne de recherche a des applications dans la conception de réseaux, la logistique et les systèmes énergétiques.
En statistiques en haute dimension, il a étudié des problèmes impliquant des données corrompues ou incomplètes, développant des estimateurs et des algorithmes qui restent fiables en présence de valeurs aberrantes ou de données manquantes. Ce travail est lié à la théorie du apprentissage profond et des réseaux de neurones, en particulier pour comprendre comment les modèles se comportent avec des données d'entraînement imparfaites.
Ses recherches récentes portent sur l'efficacité et la robustesse des grands modèles de langage, y compris des sujets liés à l'élagage de modèles et à la augmentation de données. Il a également exploré des techniques d'optimisation telles que les variantes de descente de gradient stochastique et les programmes de taux d'apprentissage pour l'entraînement d'architectures modernes.
Reconnaissance et distinctions
En 2011, Caramanis a reçu un prix CAREER de la National Science Foundation pour ses recherches sur les statistiques en haute dimension et l'analyse de données corrompues ou incomplètes. Ce prix soutient les professeurs en début de carrière qui montrent un potentiel à servir de modèles académiques.
Il a été élevé au rang de Fellow de l'IEEE dans la promotion 2023, un honneur reconnaissant ses contributions aux statistiques robustes et à l'optimisation en haute dimension. Cette distinction est réservée aux individus ayant des réalisations exceptionnelles dans les domaines désignés par l'IEEE.
Caramanis a également siégé à des comités de programme pour des conférences majeures en apprentissage automatique et en optimisation, et a donné des conférences invitées dans des institutions telles que Berkeley et Oxford.
Enseignement et service
À l'Université du Texas à Austin, Caramanis enseigne des cours sur l'optimisation, l'apprentissage automatique et les probabilités. Il a encadré des étudiants diplômés qui ont poursuivi des carrières dans le milieu académique et l'industrie, y compris des postes chez Google DeepMind et OpenAI.
Il a contribué à la communauté de recherche élargie par le biais de services éditoriaux pour des revues et de l'organisation de conférences. Son travail implique souvent une collaboration interdisciplinaire, reliant le génie électrique, l'informatique et les statistiques.
Publications sélectionnées
Caramanis a écrit de nombreux articles dans des revues à comité de lecture et des actes de conférences. Les sujets notables incluent l'analyse en composantes principales robuste, la récupération parcimonieuse et l'optimisation robuste adaptative. Ses publications sont largement citées dans les domaines des statistiques en haute dimension et de l'optimisation.
Ses recherches ont été soutenues par des agences fédérales, notamment la National Science Foundation et le Bureau de la recherche navale, ainsi que par des partenaires industriels. Il continue d'étudier des questions fondamentales sur l'apprentissage et la prise de décision sous incertitude.