Rencontres statistiques

---

Intervenant : THOMAS Arthur (LEDA)
Titre :
Forecasting extreme trajectories using seminorm representations

Le : 26/05/2025 de : 15:30 à : 16:30
For (Xt) a two-sided α-stable moving average, this paper studies the conditional distribution of future paths given a piece of observed trajectory when the process is far from its central values. Under this framework, vectors of the form Xt = (Xt−m, . . . ,Xt,Xt+1, . . . ,Xt+h), m ≥ 0, h ≥ 1, are multivariate α-stable and the dependence between the past and future components is encoded in their spectral measures. A new representation of stable random vectors on unit cylinders sets {s ∈ Rm+h+1 : ∥s∥ = 1} for ∥ °§ ∥ an adequate seminorm is proposed to describe the tail behaviour of vectors Xt when only the first m + 1 components are assumed to be observed and large in norm. Not all stable vectors admit such a representation and (Xt) will have to be “anticipative enough” for Xt to admit one. The conditional distribution of future paths can then be explicitly derived using the regularly varying tails property of stable vectors and has a natural interpretation in terms of pattern identification. Through Monte Carlo simulations we develop procedures to forecast crash probabilities and crash dates and demonstrate their finite sample performances. As an empirical illustration, we estimate probabilities and reversal dates of El Nino and La Nina occurrences.
Salle : A711

Rencontres statistiques

---

Intervenant : GUEDON Tom (INRAE)
Titre :
Estimation de ratio de constante de normalisation: l'algorithme SARIS.

Le : 07/04/2025 de : 16:00 à : 17:00
Le calcul des rapports de constante de normalisation joue un rôle important dans la modélisation statistique. Deux exemples notables sont les tests d’hypothèses dans les modèles à variables latentes et la comparaison de modèles en statistique bayésienne. Dans ces deux cas, le rapport de vraisemblance et le facteur de Bayes sont définis comme le rapport des constantes de normalisation des distributions a posteriori. Nous proposons dans cet article une nouvelle méthodologie qui estime ce rapport en utilisant le principe de l’approximation stochastique. Notre estimateur est consistant et asymptotiquement gaussien. Sa variance asymptotique est plus faible que celle de l’estimateur populaire bridge sampling. En outre, il est beaucoup plus robuste lorsque les supports des deux distributions non normalisées considérées se chevauchent peu. Grâce à sa définition en ligne, notre procédure peut être intégrée dans un processus d'estimation dans les modèles à variables latentes, ce qui permet ainsi de réduire l’effort de calcul. Les performances de l’estimateur sont illustrées par une étude de simulation et comparées à celles de deux autres estimateurs : le ratio importance sampling et le bridge sampling.
Salle : B315

Rencontres statistiques

---

Intervenant : OCELLO Antonio (Polytechnique)
Titre :
Theoretical Advances in Score-Based Generative Models: Convergence Bounds and Noise Schedule Optimization

Le : 31/03/2025 de : 13:30 à : 14:30
Score-based generative models (SGMs) have emerged as a state-of-the-art framework for sampling from complex data distributions, leveraging the estimation of score functions through noise-perturbed samples. A central challenge in understanding SGMs lies in quantifying their convergence to the target distribution. Various works have analyzed this convergence using Kullback-Leibler (KL) divergence and Wasserstein distances, often under restrictive assumptions.In this talk, I will present an overview of existing convergence bounds for SGMs and introduce two recent contributions that provide a refined theoretical understanding of their performance. First, I will discuss our work on the impact of the noise schedule on generative performance, where we establish explicit upper bounds for the KL divergence and Wasserstein-2 distance under mild assumptions. This result not only improves upon prior state-of-the-art bounds but also provides practical insights into hyperparameter selection. Building on this framework, I will then present recent advances in Wasserstein-2 convergence analysis. By leveraging the regularization properties of the Ornstein–Uhlenbeck (OU) process, we relax the traditional assumptions of log-concavity and score regularity. Our approach reveals that weakly log-concave distributions evolve towards log-concavity, and we establish a novel characterization of the dynamics of score function contraction and non-contraction. This enables more general and widely applicable convergence results, particularly for complex distributions such as Gaussian mixtures. This talk is based on joint work with Stanislas Strasman, Claire Boyer, Sylvain Le Corff, and Vincent Lemaire, recently accepted to Transactions on Machine Learning Research (https://openreview.net/forum?id=BlYIPa0Fx1), as well as a recent preprint in collaboration with Marta Gentiloni-Silveri (https://arxiv.org/abs/2501.02298).
Salle : A711

Rencontres statistiques

---

Intervenant : DUCHEMIN Quentin (EPFL)
Titre :
Pinball Quantile Regression Trees for Conformal Prediction

Le : 24/03/2025 de : 13:30 à : 14:30
Conformal prediction, known for providing model-agnostic uncertainty quantification, has become an essential tool with a mushrooming number of applications. An ideal conformal prediction method should be adaptive, data-efficient, and interpretable. To meet these criteria, we propose to improve existing quantile-based conformal methods using Pinball quantile regression trees. Moreover, we introduce a new quantile out-of-bag framework that is shown empirically to provide smaller conformal prediction sets while maintaining rigorous theoretical guarantees for coverage. Page web : http://quentin-duchemin.alwaysdata.net/wiki/
Salle : P428

Rencontres statistiques

---

Intervenant : MARANDON Ariane ()
Titre :


Le : 17/02/2025 de : 13:30 à : 14:30

Salle : Abis

Rencontres statistiques

---

Intervenant : AKHAVAN Arya (Oxford)
Titre :
A conversion theorem and minimax optimality for continuum contextual bandits

Le : 03/02/2025 de : 16:00 à : 18:00
I will talk about the contextual continuum bandits problem, where the learner sequentially receives a side information vector and has to choose an action in a convex set, minimizing a function associated with the context. The goal is to minimize all the underlying functions for the received contexts, leading to a dynamic (contextual) notion of regret, which is stronger than the standard static regret. Assuming that the objective functions are Hölder continuous with respect to the contexts, I will show that any algorithm achieving a sub-linear static regret can be extended to achieve a sub-linear dynamic regret. I will also discuss the case of strongly convex and smooth functions when the observations are noisy. Inspired by the interior point method and employing self-concordant barriers, I will talk about our algorithm achieving a sub-linear dynamic regret. Lastly, I present a minimax lower bound, implying two key facts. First, no algorithm can achieve sub-linear dynamic regret over functions that are not continuous with respect to the context. Second, for strongly convex and smooth functions, the algorithm that we propose achieves the minimax optimal rate, up to a logarithmic factor, of dynamic regret as a function of the number of queries.
Salle : Dbis

Rencontres statistiques

---

Intervenant : MEAH Iqraa (CRESS)
Titre :
Evaluating the effect of lung transplantation: a case study in sequential emulated trials with time-dependent matching

Le : 20/01/2025 de : 16:00 à : 18:00
Lung transplantation has long been a critical intervention to extend the lifespan of individuals diagnosed with cystic fibrosis. As transplant assignment cannot be randomized, evaluating treatment effectiveness relies on observational data. Such data, e.g., provided by the United Network for Organ Sharing (UNOS), are a valuable source to emulate a target trial. The latter is a popular methodology to investigate causal relations using observational data that inherently contain bias. Sources of bias include confounding bias due to non-random treatment assignment and censoring bias in time-to-event analyses. Moreover, if the methodology of emulated trial is not carefully implemented, additional biases, such as immortal time bias, may be introduced, further complicating the estimation of treatment effects. In this work, we use the UNOS data as a case study to develop a methodological framework for emulating target trials in the context of lung transplantation. We address the challenges associated with each type of bias, leading us to a sequence of target trials that incorporate time-dependent matching on confounders. We also discuss the theoretical aspects we aim to explore next in this study design to close some gaps in the literature.
Salle : Salle Abis

Rencontres statistiques

---

Intervenant : FREULON Paul (EPFL)
Titre :
Weights estimation in mixture models with entropic optimal transport.

Le : 06/01/2025 de : 13:30 à : 14:30
While optimal transport allows to compare probability measures with different structures, its computational cost has limited its use in practice. To reduce the algorithmic cost, M.Cuturi proposed in 2013 to regularize the optimal transport problem with the addition of an entropic penalty on the transport plan. The solution of this regularized minimization problem, called entropic optimal transport, defines an alternative way of comparing probability measures. In this talk, through the study of a mixture model parameterized by its weights, I will discuss the statistical effect of regularizing the transport plan. For a chosen regularization parameter, the estimator we consider is defined as the minimum of loss function involving the entropic optimal transport cost. In this framework, we have a collection of estimators, where each weights estimator corresponds to a fixed regularization parameter. Of particular interest for us will be the impact of this regularization parameter on the performance of a weights estimators. We derive upper bounds on the expected excess risks of the estimators considered. From these results we derive an automatic choice of the regularization parameter. As a by product of our analysis, we also propose to automatically choose the number of iterations for the algorithm used to approximate the entropic optimal transport. This talk is based on the preprint https://arxiv.org/abs/2210.06934 ; which is a joint work with Jérémie Bigot, Boris Hejblum and Arthur Leclaire.
Salle : Abis

Rencontres statistiques

---

Intervenant : BON Joshua (CEREMADE)
Titre :
A Bayesian decision-theoretic framework for data privacy

Le : 09/12/2024 de : 13:30 à : 14:30
The scientific and economic value of data continues to increase as our technology does. New hardware and software technologies allow, but also often require, richer and vaster data to operate. As the value of input data to these systems is recognised, so too is the loss of privacy for data providers. In this landscape, data privacy is a fundamental issue for data science disciplines such as statistics and machine learning. More generally, it is an issue for scientific and industrial pursuits that use sensitive data. We develop a framework for measuring privacy from a Bayesian decision-theoretic point of view. With our framework we can generate new privacy principles that are rigorously justified, assess existing privacy definitions using decision-theory, and create new definitions that are fit for purpose. We take special note of assessing privacy for deterministic algorithms, which are overlooked by current privacy standards, and Monte Carlo samples from posterior distributions.
Salle : Salle Abis

Rencontres statistiques

---

Intervenant : MARIE Nicolas (Université Paris Nanterre)
Titre :
Estimation des moindres carrés à partir de copies de la solution d’une équation différentielle dirigée par le mouvement brownien fractionnaire.

Le : 18/11/2024 de : 13:30 à : 14:30
Cet exposé portera sur un rapide panorama de l’estimation dans les équations différentielles stochastiques (EDS) à partir de copies de la solution, puis se concentrera sur un problème en particulier : l’estimation par moindres carrés (MC), paramétrique puis non-paramétrique en projection, de la fonction de drift d’une EDS dirigée par le mouvement brownien fractionnaire de paramètre de Hurst $H > 1/2$. Lorsque $H\neq 1/2$, la solution (trajectorielle) de l’EDS n’est pas une semi-martingale, et l’extension naturelle de l’intégrale d’Itô qui intervient dans la définition des estimateurs - l’intégrale de Skorokhod - n’est pas calculable. Pour les deux estimateurs considérés, les propriétés statistiques d’une approximation calculable définie comme point fixe d’une application construite à partir de la relation bien connue entre l’intégrale trajectorielle et l’intégrale de Skorokhod seront présentées.
Salle : P309

Rencontres statistiques

---

Intervenant : THURIN Gautier (Institut de Mathématiques de Bordeaux)
Titre :
Multivariate quantiles and superquantiles

Le : 14/10/2024 de : 13:30 à : 14:30
We introduce center-outward superquantile and expected shortfall functions, to characterize multivariate tail probabilities and central areas of point clouds. These notions build up on a multivariate quantile function based on measure transportation ideas. They characterize the underlying distributions and their weak convergence, which underlines their importance. Finally, these definitions will be applied to risk analysis, with multivariate definitions of Value-at-Risk and Conditional-Value-at-Risk.
Salle : B206

Rencontres statistiques

---

Intervenant : BOUTIN Rémi (LPSM, Sorbonne Université)
Titre :
Le modèle profond à positions et blocs latents pour la classification partielle et non-supervisée des nœuds d'un graphe

Le : 30/09/2024 de : 13:30 à : 14:30
L'augmentation de la quantité de données provenant du web a entraîné une augmentation de l'utilisation des réseaux pour modéliser des relations entre différents objets, appelés noeuds. Le nombre de noeuds pouvant être très large, l'information contenue dans un réseau doit être résumée, principalement avec des méthodes de classification de noeuds. Pour que les résultats soient interprétables, une visualisation adéquate est également nécessaire. Afin d'allier ces deux propriétés, nous proposons une nouvelle méthodologie, appelée Deep latent position block model (Deep LPBM) permettant d'obtenir simultanément une visualisation basée sur une approche par bloc, plus générale qu'une méthode de détection de communauté, ainsi qu'une représentation continue des noeuds dans un espace latent correspondant aux probabilités d'appartenance aux clusters. Notre méthodologie, basée sur une stratégie d'auto-encodeur variationnel, repose sur un réseau convolutif de graphe (GCN), avec un decodeur spécialement conçu pour notre tâche. L'inférence est basée sur une borne inférieure de la vraisemblance marginale du modèle et une optimisation de celle-ci par descente de gradient stochastique. Une comparaison avec des méthodes de référence sur la classification pure est fournie ainsi qu'une comparaison sur l'estimation des probabilités d'appartenance aux clusters. Pour conclure, nous illustrerons la nouveauté de Deep LPBM sur un jeu de donnée réel correspondant au réseau des blogs politiques français en 2007 et comparerons les résultats avec ceux obtenus par un modèle à blocs stochastiques.
Salle : A409

Rencontres statistiques

---

Intervenant : RIVOIRARD Vincent (Ceremade)
Titre :
Nonparametric inference for Hawkes processes. Applications for estimating functional connectivity graphs of neurons.

Le : 01/04/2019 de : 15:30 à : 17:00
Functional connectivity in neuroscience is considered as one of the main features of the neural code. It is nowadays possible to obtain the spike activities of tens to hundreds of neurons simultaneously and the issue is then to infer the functional connectivity thanks to those complex data. To deal with this problem, we consider estimation of sparse local independence graphs by using models based on multivariate Hawkes processes. Such counting processes have become very popular since they are, in particular, very useful to model occurrences of a process when it is affected by its past occurrences. Hawkes processes depend on an unknown functional parameter to be estimated, for instance, by linear combinations of a fixed dictionary. To select coefficients, we propose a Lasso-type procedure, where the penalty is derived from Bernstein inequalities. Our tuning procedure is proven to be robust with respect to all the parameters of the problem, revealing its potential for concrete purposes and in particular in neuroscience. Finally, some extensions in the nonparametric Bayesian setting will be presented.
Salle : P301

Rencontres statistiques

---

Intervenant : DONNET Sophie (AgroParisTech/INRA)
Titre :


Le : 11/03/2019 de : 13:45 à : 16:45

Salle : A707

Rencontres statistiques

---

Intervenant : STOEHR Julien (Ceremade)
Titre :


Le : 11/02/2019 de : 15:30 à : 17:00

Salle : C108

Rencontres statistiques

---

Intervenant : NOUAILI Nejla (Ceremade)
Titre :
Construction d’une solution explosive pour l’équation complexe de Ginzburg-Landau

Le : 14/01/2019 de : 15:30 à : 17:00
L’équation d’évolution complexe de Ginzburg-Landau est un important modèle en physique (supra-conductivité, flot de Poiseuille). On s'intéresse à la construction d'une solution explosant en temps fini, stable par rapport aux données initiales, avec détermination précise du profil à l’explosion.
Salle : A707

Rencontres statistiques

---

Intervenant : NICHOLS James (LJLL)
Titre :
TBA

Le : 5/11/2018 de : 15:30 à : 16:30

Salle : P301

Rencontres statistiques

---

Intervenant : ROCHE Angelina ()
Titre :
Régression linéaire pour données fonctionnelles.

Le : 06/11/2017 de : 15:30 à : 16:30

Salle : A707

Rencontres statistiques

---

Intervenant : RYDER Robin ()
Titre :
Méthodes de Monte-Carlo, algorithme de Metropolis-Hastings et variantes adaptatives.

Le : 12/10/2017 de : 15:30 à : 16:30

Salle : Salle A