Optimisation convexe pour le Big Data : Algorithmes scalables, aléatoires et parallèles pour l'analyse des données volumineuses.

Cet article passe en revue les avancées récentes en matière d'algorithmes d'optimisation convexe pour le big data, qui visent à réduire les goulots d'étranglement en matière de calcul, de stockage et de communications. Nous donnons une vue d'ensemble de ce domaine émergent, décrivons les techniques d'approximation contemporaines telles que les méthodes du premier ordre et la randomisation pour l'évolutivité, et examinons le rôle important du calcul parallèle et distribué. Les nouveaux algorithmes de big data sont basés sur des principes étonnamment simples et atteignent des accélérations stupéfiantes, même pour des problèmes classiques.