Les chercheurs projettent d’élaborer des critères d’information pour la sélection et l’estimation structurées parcimonieuses de modèles
linéaires de grandes dimensions (comme dans les problèmes inverses). Les nouveaux critères tiendront compte de la parcimonie et surtout du biais qui résulte de
l’effet des faux positifs sur l’optimisation. En liant les concepts de reconstruction structurée parcimonieuse et de faible rang à l’optimisation
convexe, les chercheurs mettront au point des techniques pratiques et efficaces de régularisation et de résolution de problèmes inverses à grande
échelle. 

Ils appliqueront ces méthodes au domaine de l’imagerie mathématique, en particulier à la reconstruction d’images médicales telles que la
magnétoencéphalographie. Ils élaboreront aussi des transformations multi-échelles, adaptables aux données, pour des représentations parcimonieuses de
signaux, en utilisant des techniques de lissage statistique, y compris les splines et les méthodes basées sur l’estimation par noyau.