Mathematical Programming

Plenary Sessions
On the relationship between machine learning and optimization
by
Francis Bach
, INRIA - ENS, FR
PLENARY - Mo 11:00am-12:00am
Invited Session 552
Room: Auditorium Building: Symphony Hall, Zone: 0
Chair: Michel Goemans, MIT, US
Many machine learning frameworks are naturally formulated as optimization problems. Over the last few decades, this has led
to fruitful exchanges between the two fields: optimization provides new learning algorithms, while machine learning requires
solving new types of optimization problems with a specific structure. In this talk, I will present recent work at the interface
between the two fields, highlighting the specificity of learning problems and some open problems.
Francis Bach is a researcher at Inria, leading since 2011 the machine learning team which is part of the Computer Science
Department at Ecole Normale Supérieure. He graduated from Ecole Polytechnique in 1997 and completed his Ph.D. in Com-
puter Science at U.C. Berkeley in 2005, working with Professor Michael Jordan. He spent two years in the Mathematical
Morphology group at Ecole des Mines de Paris, then he joined the computer vision project-team at Inria
/Ecole Normale
Supérieure from 2007 to 2010. Francis Bach is primarily interested in machine learning, and especially in graphical models,
sparse methods, kernel-based learning, large-scale convex optimization, computer vision and signal processing. He obtained
in 2009 a Starting Grant and in 2016 a Consolidator Grant from the European Research Council, and received in 2012 the
Inria young researcher prize. In 2015, he was program co-chair of the International Conference in Machine learning (ICML),
and he will be general chair in 2018.
The Resurgence of Proximal Methods in Optimization
by
Marc Teboulle
, Tel Aviv University, IL
PLENARY - Tu 1:30pm-2:30pm
Invited Session 555
Room: Auditorium Building: Symphony Hall, Zone: 0
Chair: Claudia Sagastizabal, Unicamp, BR
Proximal based methods are nowadays starring in modern optimization algorithms based on first order information, e.g., func-
tion values and gradient
/subgradients. This renewed interest is motivated by the current high demand in solving large scale
problems arising in a wide spectrum of disparate modern applications. This talk will describe the fundamentals of a fairly
general proximal framework, and its impact on some iconic first order optimization algorithms, including recent extensions.
Convergence properties and applications in both the convex and nonconvex settings will be described.
Marc Teboulle is a Professor at the School of Mathematical Sciences of Tel Aviv University. He received his D.Sc. from the
Technion, Israel Institute of Technology in 1985. He has held a position of Applied Mathematician at Israel Aircraft Indus-
tries, and academic appointments at Dalhousie University and the University of Maryland. He serves on the editorial board
of several leading journals, and is the Area Editor of Continuous Optimization for Mathematics of Operations Research. His
research interests are in the area of continuous optimization, including theory, algorithms, and its applications to many areas
of science and engineering.
Relaxations and Approximations of Chance Constraints
by
Shabbir Ahmed
, Georgia Tech, US
PLENARY - We 1:30pm-2:30pm
Invited Session 525
Room: Auditorium Building: Symphony Hall, Zone: 0
Chair: Simge Kucukyavuz, University of Washington, US
27

---

A chance constrained optimization problem involves random constraints that are required to be satisfied with a prespecified
probability. Such constraints are used to model reliability requirements in a variety of application areas such as finance,
energy, service and manufacturing. Except under very special conditions, chance constraints impart severe nonconvexities
making the optimization problem extremely di
fficult. In this talk we will review results on constructing tractable relaxations
and approximate solutions for this hard class of problems. Extensions to distributionally robust chance constrained problems
will also be discussed.
Shabbir Ahmed is the Anderson-Interface Chair and Professor in the H. Milton Stewart School of Industrial and Systems
Engineering at the Georgia Institute of Technology. His research interests are in stochastic and discrete optimization. Dr.
Ahmed is a past Chair of the Stochastic Programming Society. He serves on the editorial board of several journals including
Operations Research, Mathematical Programming and the INFORMS Journal on Optimization. Dr. Ahmed’s honors include
the INFORMS Computing Society Prize, the National Science Foundation CAREER award, two IBM Faculty Awards, and the
INFORMS Dantzig Dissertation award. He is a Senior Member of IEEE and a Fellow of INFORMS.
Randomness, risk and electricity prices
by
Andy Philpott
, University of Auckland, NZ
PLENARY - Th 1:30pm-2:30pm
Invited Session 554
Room: Auditorium Building: Symphony Hall, Zone: 0
Chair: Michael Ferris, University of Wisconsin, US
Co-Authors: Michael Ferris,
Competitive markets for electricity supply have been around for over twenty years. They were introduced to support com-
mercial investment in conventional generation plants with known costs and capacities, under predictable operating conditions.
The design of these markets was therefore based primarily on deterministic optimization paradigms. Improvements in stochas-
tic programming models and algorithms allied with the growth of intermittent and distributed generation and energy storage
prompts a re-examination of these market designs. We examine the formation of electricity prices and incentives through a
stochastic programming lens, where optimization models are used to yield e
fficient solutions and stochastic equilibrium mod-
els are used to study incentives. Di
fferences between solutions to these models occur when agents are risk averse and markets
for risk are incomplete. We illustrate using two case studies: stochastic optimization of ramping generation in markets with
wind power and hydroelectric reservoir optimization with uncertain inflows.
Andy Philpott is Professor of Operations Research and co-director of the Electric Power Optimization Centre at the University
of Auckland. His research interests are in stochastic optimization and game theory and their application to electricity mar-
kets. Dr Philpott currently serves on the editorial board of Operations Research, and has previously served on the editorial
boards of Mathematical Programming and Operations Research Letters. Dr Philpott is an INFORMS Edelman Laureate and
a Fellow of INFORMS.
Bounds for quantum graph parameters by conic and polynomial optimization
by
Monique Laurent
, CWI and Tilburg University, NL
PLENARY - Fr 1:30pm-2:30pm
Invited Session 553
Room: Auditorium Building: Symphony Hall, Zone: 0
Chair: Frank Vallentin, University of Cologne, DE
Co-Authors: Sander Gribling, David de Laat, Sabine Burgdorf , Teresa Piovesan,
Quantum information is a rich source of challenging optimization problems. In particular, the study of quantum correlations,
which are used to model the e
ffect of quantum entanglement, leads to hard optimization problems where the variables may be
instantiated to positive semidefinite matrices of arbitrary size (instead of nonnegative scalars in the classical case). This also
leads to natural quantum analogues of classical graph parameters like minimum graph coloring and maximum stable sets. We
will introduce the relevant concepts and discuss how to model and bound these quantum graph parameters, and other problems
over quantum correlations, using tools from conic, semidefinite and noncommutative polynomial optimization.
28

---