2025/04/04 更新

写真a

ウォルフェ　ジョフレ
ウォルフェ　ジョフレ
所属
附属機関・学校 データ科学センター
職名
助教
学位
博士（計算機科学） ( 2020年10月 ネゲヴ・ベン＝グリオン大学 )
メールアドレス
メールアドレス
ホームページ
https://geo-wolfer.gitlab.io

経歴

  • 2024年04月
    -
    継続中

    早稲田大学   データ科学センター   助教

  • 2022年03月
    -
    2024年03月

    特定国立研究開発法人理化学研究所   革新知能統合研究センター   基礎科学特別研究員

  • 2020年12月
    -
    2022年03月

    東京農工大学   工学研究院 先端情報科学部門   外国人特別研究員

  • 2024年08月
    -
    継続中

    国立研究開発法人理化学研究所   革新知能統合研究センター (AIP)   客員研究員

学歴

  • 2016年10月
    -
    2020年12月

    ネゲヴ・ベン＝グリオン大学   計算機科学学科  

    博士課程

  • 2011年09月
    -
    2013年09月

    慶應義塾大学   理工学研究科  

  • 2009年09月
    -
    2011年09月

    エコール・サントラル・ド・ナント  

    技師免状

委員歴

  • 2025年
    -
    　

    International Conference on Machine Learning (ICML'25)  Area Chair

  • 2025年
    -
    　

    International Conference on Artificial Intelligence and Statistics (AISTATS'25)  Area Chair

  • 2024年
    -
    　

    Conference on Learning Theory (COLT'24)  Program Committee

  • 2024年
    -
    　

    International Conference on Artificial Intelligence and Statistics (AISTATS'24)  Area Chair

  • 2023年
    -
    　

    Conference on Learning Theory (COLT'23)  Program Committee

▼全件表示

研究分野

  • 統計科学   PAC framework, minimax theory, theoretical machine learning, distribution testing / 情報学基礎論   Information geometry / 応用数学、統計数学   Mathematical statistics, Markov chains, concentration of measure

研究キーワード

  • 情報幾何学

  • 適用される確率

  • 集中不等式

  • 統計学習理論

  • 数理統計学

▼全件表示

受賞

  • Best poster

    2021年08月   Croucher Summer Course in Information Theory (CSCIT'21)  

  • 最優秀学生論文賞（佳作）

    2020年02月   International Conference on Algorithmic Learning Theory (ALT'20)   Mixing Time Estimation in Ergodic Markov Chains from a Single Trajectory with Contraction Methods  

 

論文

  • Variance-Aware Estimation of Kernel Mean Embedding

    Geoffrey Wolfer, Pierre Alquier

    Journal of Machine Learning Research (to appear)    2025年  [査読有り]

    担当区分：筆頭著者, 責任著者

  • Improved Estimation of Relaxation Time in Nonreversible Markov Chains

    Geoffrey Wolfer, Aryeh Kontorovich

    The Annals of Applied Probability   34 ( 1A ) 249 - 276  2024年02月  [査読有り]

    担当区分：筆頭著者, 責任著者

    DOI

  • Information Geometry of Reversible Markov Chains

    Geoffrey Wolfer, Shun Watanabe

    Information Geometry   4 ( 2 ) 393 - 433  2021年11月  [査読有り]

    担当区分：筆頭著者, 責任著者

  • Statistical Estimation of Ergodic Markov Chain Kernel over Discrete State Space

    Geoffrey Wolfer, Aryeh Kontorovich

    Bernoulli   27 ( 1 ) 532 - 553  2021年02月  [査読有り]  [国際誌]  [国際共著]

    担当区分：筆頭著者, 責任著者

    DOI

    Scopus

    9
    被引用数
    (Scopus)

  • Mixing Time Estimation in Reversible Markov Chains from a Single Sample Path

    Daniel Hsu, Aryeh Kontorovich, David A. Levin, Yuval Peres, Csaba Szepesvári, Geoffrey Wolfer

    The Annals of Applied Probability   29 ( 4 ) 2439 - 2480  2019年08月  [査読有り]  [国際誌]  [国際共著]

    DOI

    Scopus

    19
    被引用数
    (Scopus)

▼全件表示

共同研究・競争的資金等の研究課題

  • Improving Information Geometry of Markov Chains for Data-Science

    日本学術振興会  科学研究費助成事業（科研費）

    研究期間:

    2023年04月
    -
    2026年03月
     

  • マルコフ連鎖における統計学と情報理論の新展開

    日本学術振興会  科学研究費助成事業（科研費）

    研究期間:

    2021年04月
    -
    2022年03月
     

    渡辺 峻, WOLFER Geoffrey

    　概要を見る

    近年のデータ量の増加に伴い，データの統計的性質を推定する機械学習はますます重要になってきている．機械学習ではデータの時系列が独立かつ同一の分布に従うモデルを仮定して研究を行うことが多いが，より現実的な，データ間の相関を考慮したモデルの研究に近年注目が集まっている．本研究では，機械学習や通信システムの性能解析の道具として，近年注目を集めている情報幾何に関する新しい成果をえた．具体的には，マルコフ遷移行列全体を多様体とみなした際に，可逆なマルコフ遷移行列全体が指数型遷移行列族かつ混合型遷移行列族になっていることを証明した．可逆なマルコフ過程は様々な分野で重要な遷移行列のクラスと考えられている．例えば，マルコフ連鎖モンテカルロ法で現れるのは可逆マルコフ過程である．可逆マルコフ過程は混合時間がスペクトルギャップで特徴付されるなど，これまでにもよい性質を持つことが知られていた．本研究の成果によって，可逆マルコフ遷移行列は幾何学的にもよい性質を持つことが明らかになった．
    <BR>
    また，本研究では，マルコフ過程のランピングの逆操作として，より大きな状態空間を持つマルコフ過程への埋め込みに関する成果も得た．より具体的には，確率分布族のマルコフ埋込の拡張概念として，遷移行列のマルコフ埋込を新たに定義し，そのマルコフ埋込がある種の整合性条件を満たす唯一の埋込法であることを証明した．また，ランピング可能な遷移行列の全体が，指数型遷移行列族と混合型遷移行列族から成る葉層構造に分解できることを解明した．

 

現在担当している科目

▼全件表示

 

他学部・他研究科等兼任情報

  • 附属機関・学校   グローバル・エデュケーション・センター

特定課題制度（学内資金）

  • Improve Theoretical Guarantees and Empirical Procedures for Assessment of Average Convergence in Markov Chains

    2024年   Pierre Alquier

    　概要を見る

    The convergence rate of a Markov chain towardsits stationary distribution is typically assessed using the concept of worst-casetotal variation *mixing time*. However, this quantity is pessimistic and is challengingto infer from a single stream of data. The goal of our research program, in collaborationwith Pierre Alquier (ESSEC Business School, Singapore) is to advocate for theuse of the average-mixing time as a more optimistic and demonstrablyeasier-to-estimate alternative.We had already demonstrated that estimatingthe average mixing time was both possible and beneficial in some settings andour plan was to improve our estimation procedures, both theoretically and in practice.Towards our goal, we have obtained thefollowing results in FY24:1/ We improved minimax ProbablyApproximately Correct (PAC) rates for estimating individual β-mixingcoefficients of discrete time, time homogeneous Markov chains over countablestate spaces by obtaining finite sample bounds in the *general ergodic* setting.Until now, rates in the general ergodic setting were only known for the MeanAbsolute Deviation (MAD), and PAC rates were only available in the *uniformlyergodic* setting, i.e. in the restrictive setting where the (worst-case) mixingtime is finite. Our new bound depends on the *average* mixing time instead, andthus remains valid even when the mixing time is infinite.2/ Building upon 1/ we obtained a PAC boundfor estimating the average mixing time from a single countable Markovian trajectoryin a *general ergodic setting*. Until now, only rates in the uniformly ergodicsetting were available.3/ Finally, we obtained estimation ratesfor Kernel Mean Embeddings (KME) with time-dependent data. Specifically, we extendedour previous estimation results from an iid setting to mixing processes byobtaining confidence intervals involving a covariance parameter in the ReproducingKernel Hilbert Space (RKHS) and mixing coefficients for both φ-mixing and β-mixing processes. In particular, we demonstrated that whenthe underlying process is a countable Markov chain, our framework based on theaverage mixing time is readily applicable.We presented our research results on the averagemixing time at the following venues:[1] IEEE East Asian School of InformationTheory 2024 (EASIT'24)Shonan, Kanagawa, July 30-August 2, 2024[2] Bernoulli-IMS 11th World Congress inProbability and Statistics (Bernoulli-IMS'24)&nbsp;Bochum, Germany, August 12-16, 2024[3] The 27th Information-Based InductionSciences Workshop (IBIS'24)Omiya, Saitama, November 4-7, 2024&nbsp;[4] The 46th Symposium on Information Theoryand its Applications (SITA'24)Awara, Fukui, December 10-13, 2024