Des mathématiciens de l’EPFL et de l’ETH Zurich ont découvert pourquoi certaines méthodes d’apprentissage automatique parviennent si bien à détecter des différences subtiles dans des données complexes. Leur étude apporte une base théorique nouvelle aux méthodes dites « à noyaux », utilisées dans de nombreux domaines de l’intelligence artificielle, des statistiques et de la recherche scientifique.
Ces techniques permettent de transformer des données difficiles à comparer en représentations mathématiques situées dans des espaces de très grande dimension. Les chercheurs montrent que cette transformation ne simplifie pas seulement les données : elle révèle aussi une géométrie cachée capable d’amplifier fortement les différences entre deux ensembles.
Même une modification très faible entre deux distributions statistiques peut ainsi devenir parfaitement identifiable après cette transformation. Ce phénomène, appelé « séparation des mesures », aide à expliquer pourquoi les méthodes à noyaux sont souvent efficaces dans des situations où les données comportent de nombreuses variables et où les écarts importants sont difficiles à repérer.
Cette avancée pourrait également guider la création de nouveaux outils statistiques. Les méthodes actuelles n’exploitent pas encore pleinement cette géométrie et pourraient donc être améliorées afin de gagner en sensibilité et en efficacité.
Les applications potentielles sont nombreuses, notamment en génomique, en imagerie médicale, en finance et en intelligence artificielle. En permettant de mieux distinguer des profils biologiques, des comportements ou des signaux complexes, cette découverte rapproche les mathématiques fondamentales de solutions concrètes pour analyser les grandes quantités de données.