Présentation

Je suis actuellement Chargé de Recherche CNRS dans le pôle Signal du L2S, CentraleSupélec, Université Paris-Saclay. Je travaille principalement sur des méthodes d'apprentissage robuste en adoptant le point de vue de la géométrie riemannienne, notamment dans le cadre des matrices de covariance structurées. Je travaille à la fois sur la modélisation et l'élaboration de méthodes de résolution des problèmes d'apprentissage. J'étudie également les performances optimales atteignables pour les différents modèles considérés à l'aide des bornes de Cramér-Rao intrinsèques.

De 2018 à 2020, j'ai été Post-Doctorant au LISTIC, Université Savoie Mont Blanc, Annecy où j'ai principalement travaillé avec Guillaume Ginolhac, professeur à Polytech Annecy et chercheur au LISTIC. J'ai obtenu un doctorat de l'Université Grenoble Alpes en 2018. J'ai préparé ce doctorat au GIPSA-LAB sous la supervision de Marco Congedo (GIPSA-LAB, CNRS) et de Jérôme Malick (LJK, CNRS). Ma thèse porte sur la géométrie et l'optimisation riemannienne pour la diagonalisation conjointe avec des applications pour la séparation de sources d'électroencéphalogrammes. Je suis également détenteur depuis 2015 d'un diplôme d'ingénieur de Phelma, Grenoble INP, spécialité imagerie biomédicale.

Liste de publications

• publications soumises

  1. A Riemannian Framework for Low-Rank Structured Elliptical Models - F. Bouchard, A. Breloy, A. Renaux, G. Ginolhac, F. Pascal. Submitted to IEEE Transactions on Signal Processing.

  2. A Riemannian Geometry for Probabilistic PCA with Compound Gaussian Signals - A. Collas, F. Bouchard, A. Breloy, G. Ginolhac, C. Ren. Submitted to IEEE Signal Processing Letters.

• publications acceptées

  1. Riemannian geometry for Compound Gaussian distributions: application to recursive change detection - F. Bouchard, A. Mian, J. Zhou, S. Said, G. Ginolhac, Y. Berthoumieu. accepted to Signal Processing.

  2. A Riemannian approach to blind separation of t -distributed sources - F. Bouchard, A. Breloy, G. Ginolhac, A. Renaux. Accepted to EUSIPCO 2020.

  3. On Riemannian and non-Riemannian Optimisation, and Optimisation Geometry - J. Lefèvre, F. Bouchard, S. Said, N. Le Bihan, J. Manton. Accepted to MTNS, 2020.

• manuscrit de thèse

Géométrie et optimisation riemannienne pour la diagonalisation conjointe : application à la séparation de sources d'électroencéphalogrammes - F. Bouchard. Université Grenoble Alpes, 2018.

• revues internationales

  1. Approximate joint diagonalization with Riemannian optimization on the general linear group - F. Bouchard, B. Afsari, J. Malick, M. Congedo. SIAM Journal on Matrix Analysis and Applications, 2020, 41 (1), pp. 152-170.

  2. Intrinsic Cramér-Rao Bounds for Scatter and Shape Matrices Estimation in CES Distributions - A. Breloy, G. Ginolhac, A. Renaux, F. Bouchard. IEEE Signal Processing Letters, 2018, 26 (2), pp. 262-266.

  3. Riemannian Optimization and Approximate Joint Diagonalization for Blind Source Separation - F. Bouchard, J. Malick, M. Congedo. IEEE Transactions on Signal Processing, 2018, 66 (8), pp. 2041-2054.

• Conférences internationales

  1. Riemannian framework for robust covariance matrix estimation in spiked models - F. Bouchard, A. Breloy, G. Ginolhac, F. Pascal. ICASSP, 2020, pp. 5979-5983.

  2. Riemannian geometry and Cramér-Rao bound for blind separation of Gaussian sources - F. Bouchard, A. Breloy, A. Renaux, G. Ginolhac. ICASSP, 2020, pp. 4717-4721.

  3. Random matrix improved covariance estimation for a large class of metrics - M. Tiomoko, F. Bouchard, G. Ginolhac, R. Couillet. ICML, 2019.

  4. Approximate joint diagonalization according to the natural Riemannian distance - F. Bouchard, J. Malick, M. Congedo. LVA-ICA, 2017, pp. 290-299.

  5. Dimensionality Reduction for BCI classification using Riemannian geometry - P. Rodrigues, F. Bouchard, M. Congedo, C. Jutten. 7th Graz Brain-Computer Interface Conference, 2017.

  6. A closed-form unsupervised geometry-aware dimensionality reduction method in the Riemannian Manifold of SPD matrices - M. Congedo, P. Rodrigues, F. Bouchard, A. Barachant, C. Jutten. EMBC, 2017, pp. 3198-3201.

  7. Approximate joint diagonalization within the Riemannian geometry framework - F. Bouchard, L. Korczowski, J. Malick, M. Congedo. EUSIPCO, 2016, pp. 210-214.

  8. Mining the bilinear structure of data with approximate joint diagonalization - L. Korczowski, F. Bouchard, M. Congedo, C. Jutten. EUSIPCO, 2016, pp. 667-671.

• Conférences nationales

  1. Bornes de Cramér-Rao Intrinsèques pour l’estimation de la matrice de dispersion normalisée dans les distributions elliptiques - F. Bouchard, A. Breloy, A. Renaux, G. Ginolhac. GRETSI, 2019.

  2. Réduction de dimension pour la Séparation Aveugle de Sources - F. Bouchard, P. Rodrigues, J. Malick, M. Congedo. GRETSI, 2017.

  3. Borne de Cramér-Rao intrinsèque pour la matrice de covariance des distributions elliptiques complexes - A. Breloy, A. Renaux, G. Ginolhac, F. Bouchard. GRETSI, 2017.

  4. Géométrie Riemannienne appliquée à la réduction de la dimension de signaux EEG pour les interfaces cerveau-machine - P. Rodrigues, F. Bouchard, M. Congedo, C. Jutten. GRETSI, 2017.

Code

L'ensemble de mon code est disponible sur Gitlab :