Dans ce travail, nous nous intéressons à deux questions. La première est de savoir si les champs de vecteurs non singuliers et géodésibles sur une variété fermée de dimension trois ont des orbites périodiques. La seconde, étudie les relations entre les feuilletages moyennables et les feuilletages dont toutes les feuilles sont Folner. L'idée commune dans ces deux problèmes est l'utilisation de pièges: un outil qui nous permet de changer un feuilletage à l'intérieur d'une carte feuilletée.<br /> <br /> Dans le premier chapitre nous abordons la première question. On dit qu'un champ de vecteurs non singulier est géodésible s'il existe une métrique riemannienne sur la variété ambiante pour laquelle toutes les orbites sont des géodésiques. Soit X un tel champ de vecteurs sur une variété fermée de dimension trois. Supposons que la variété est difféomorphe à la sphère ou son deuxième groupe d'homotopie est non trivial. Pour ces variétés, on montre que si X est analytique réel ou s'il préserve une forme volume, il possède une orbite périodique. <br /><br />Le deuxième chapitre est dédié à la seconde question. En 1983, R. Brooks avait annoncé qu'un feuilletage dont presque toutes les feuilles sont Folner est moyennable. A l'aide d'un piège, on va construire un contre-exemple à cette affirmation, c'est-à-dire un feuilletage non moyennable dont toutes les feuilles sont Folner. <br />Nous cherchons ensuite des conditions suffisantes sur le feuilletage pour que l'énoncé de R. Brooks soit valable. Comme suggéré par V. A. Kaimanovich, une possibilité est supposer que le feuilletage soit minimal. On montre que cette hypothèse est suffisante en utilisant un théorème de D. Cass que décrit les feuilles minimales.

J'ai principalement étudié la classification des champs de vecteurs holomorphes Z , ayant une singularité isolée en (0,0) de type noeud-col, sous l'action des changements de coordonnées holomorphes locaux. On montre comment celle-ci se réduit à l'étude de deux équations homologiques, une pour la classification du feuilletage sous-jacent et l'autre pour la classification du flot à feuilletage fixé. On complète ainsi les invariants fonctionnels dégagés par Martinet/Ramis pour les feuilletages. Les invariants de classification expriment les obstructions à l'existence d'une fonction holomorphe F solution d'une équation du type Z(F)=G . En intégrant le second membre selon des chemins tangents à Z , on localise ces obstructions dans la non-nullité de certaines intégrales le long de cycles asymptotiques. Cette approche géométrique se distingue des méthodes utilisées par Meshcheryakova/Voronin pour obtenir indépendament et à la même époque un résultat similaire, en particulier puisqu'elle permet de donner une représentation intégrale "naturelle" aux invariants de Martinet/Ramis. En estimant ces quantités on dégage finalement de nombreuses classes explicites de champs (et d'équations différentielles) mutuellement non conjugué(e)s, alors que dans d'autre cas on peut donner des formes normales.

Cette thèse porte sur l'étude de la topologie des fibres d'un polynôme complexe. Dans les préliminaires, on présente les différentes techniques qui seront utilisées comme les champs de vecteurs stratifiés et les conditions de contrôles sur ces champs, les variétés toriques. On présente aussi quelques résultats préparatoires sur les propriétés de la compactification torique des fibres d'un polynôme.<br /><br />Le chapitre 2 donne les principaux résultats de cette thèse dans le cas d'une compactification torique par poids de l'espace affine C^n. On démontre la trivialité affine d'un polynôme à l'aide de l'hypothèse de modération sur le gradient par poids de Malgrange-Paunescu : |grad_Wf(z)|_W est minoré. On démontre aussi grâce à la même hypothèse de modération sur le gradient la propriété locale suivante : le champ de vecteurs de Kuo-Paunescu après modification torique donne un champ de vecteurs controlé par rapport au diviseur à l'infini. Cette dernière condition nous donne la condition la plus importante : la condition non-caractéristique. On en déduit la trivialité locale en un point du diviseur.<br /><br />Le chapitre 3 est basé sur les travaux de Hamm, Lê et Mebkhout. Il décrit la correspondance entre la condition non-caractéristique obtenue au chapitre 2 et la notion de cycles évanescents ainsi que celle de trivialité locale.<br /><br />Le chapitre 4 présente la généralisation des théorèmes du chapitre 2 pour une compactification torique quelconque de l'espace affine C^n.

Parmi tous les jeux de société joués par les humains au cours de l’histoire, le jeu de go était considéré comme l’un des plus difficiles à maîtriser par un programme informatique [Van Den Herik et al., 2002]; Jusqu’à ce que ce ne soit plus le cas [Silveret al., 2016]. Cette percée révolutionnaire [Müller, 2002, Van Den Herik et al., 2002] fût le fruit d’une combinaison sophistiquée de Recherche arborescente Monte-Carlo et de techniques d’apprentissage automatique pour évaluer les positions du jeu, mettant en lumière le grand potentiel de l’apprentissage automatique pour résoudre des jeux. L’apprentissage antagoniste, un cas particulier de l’optimisation multiobjective, est un outil de plus en plus utile dans l’apprentissage automatique. Par exemple, les jeux à deux joueurs et à somme nulle sont importants dans le domain des réseaux génératifs antagonistes [Goodfellow et al., 2014] ainsi que pour maîtriser des jeux comme le Go ou le Poker en s’entraînant contre lui-même [Silver et al., 2017, Brown andSandholm, 2017]. Un résultat classique de la théorie des jeux indique que les jeux convexes-concaves ont toujours un équilibre [Neumann, 1928]. Étonnamment, les praticiens en apprentissage automatique entrainent avec succès une seule paire de réseaux de neurones dont l’objectif est un problème de minimax non-convexe et non-concave alors que pour une telle fonction de gain, l’existence d’un équilibre de Nash n’est pas garantie en général. Ce travail est une tentative d'établir une solide base théorique pour l’apprentissage dans les jeux. La première contribution explore le théorème minimax pour une classe particulière de jeux non-convexes et non-concaves qui englobe les réseaux génératifs antagonistes. Cette classe correspond à un ensemble de jeux à deux joueurs et a somme nulle joués avec des réseaux de neurones. Les deuxième et troisième contributions étudient l’optimisation des problèmes minimax, et plus généralement, les inégalités variationnelles dans le cadre de l’apprentissage automatique. Bien que la méthode standard de descente de gradient ne parvienne pas à converger vers l’équilibre de Nash de jeux convexes-concaves simples, il existe des moyens d’utiliser des gradients pour obtenir des méthodes qui convergent. Nous étudierons plusieurs techniques telles que l’extrapolation, la moyenne et la quantité de mouvement à paramètre négatif. La quatrième contribution fournit une étude empirique du comportement pratique des réseaux génératifs antagonistes. Dans les deuxième et troisième contributions, nous diagnostiquons que la méthode du gradient échoue lorsque le champ de vecteur du jeu est fortement rotatif. Cependant, une telle situation peut décrire un pire des cas qui ne se produit pas dans la pratique. Nous fournissons de nouveaux outils de visualisation afin d’évaluer si nous pouvons détecter des rotations dans comportement pratique des réseaux génératifs antagonistes. / Among all the historical board games played by humans, the game of go was considered one of the most difficult to master by a computer program [Van Den Heriket al., 2002]; Until it was not [Silver et al., 2016]. This odds-breaking break-through [Müller, 2002, Van Den Herik et al., 2002] came from a sophisticated combination of Monte Carlo tree search and machine learning techniques to evaluate positions, shedding light upon the high potential of machine learning to solve games. Adversarial training, a special case of multiobjective optimization, is an increasingly useful tool in machine learning. For example, two-player zero-sum games are important for generative modeling (GANs) [Goodfellow et al., 2014] and mastering games like Go or Poker via self-play [Silver et al., 2017, Brown and Sandholm,2017]. A classic result in Game Theory states that convex-concave games always have an equilibrium [Neumann, 1928]. Surprisingly, machine learning practitioners successfully train a single pair of neural networks whose objective is a nonconvex-nonconcave minimax problem while for such a payoff function, the existence of a Nash equilibrium is not guaranteed in general. This work is an attempt to put learning in games on a firm theoretical foundation. The first contribution explores minimax theorems for a particular class of nonconvex-nonconcave games that encompasses generative adversarial networks. The proposed result is an approximate minimax theorem for two-player zero-sum games played with neural networks, including WGAN, StarCrat II, and Blotto game. Our findings rely on the fact that despite being nonconcave-nonconvex with respect to the neural networks parameters, the payoff of these games are concave-convex with respect to the actual functions (or distributions) parametrized by these neural networks. The second and third contributions study the optimization of minimax problems, and more generally, variational inequalities in the context of machine learning. While the standard gradient descent-ascent method fails to converge to the Nash equilibrium of simple convex-concave games, there exist ways to use gradients to obtain methods that converge. We investigate several techniques such as extrapolation, averaging and negative momentum. We explore these techniques experimentally by proposing a state-of-the-art (at the time of publication) optimizer for GANs called ExtraAdam. We also prove new convergence results for Extrapolation from the past, originally proposed by Popov [1980], as well as for gradient method with negative momentum. The fourth contribution provides an empirical study of the practical landscape of GANs. In the second and third contributions, we diagnose that the gradient method breaks when the game’s vector field is highly rotational. However, such a situation may describe a worst-case that does not occur in practice. We provide new visualization tools in order to exhibit rotations in practical GAN landscapes. In this contribution, we show empirically that the training of GANs exhibits significant rotations around Local Stable Stationary Points (LSSP), and we provide empirical evidence that GAN training converges to a stable stationary point, which is a saddle point for the generator loss, not a minimum, while still achieving excellent performance.