Séminaire PAS

Mai 2026

• Jeudi 21 mai 2026 - séminaire GT IA
  

• Jeudi 07 mai 2026 - Ryan O'Loughlin de l'University of Reading.

  TBA

  

Avril 2026

• Jeudi 23 avril 2026 - Céline Duval

  tba

  

Mars 2026

• Vendredi 27 mars 2026 - simon weinberger (13h)

  TBA

  

• Jeudi 26 mars 2026 - Shurong Zhang (13h)

  TBA

  

• Vendredi 20 mars 2026 - christelle agonkoui 13h

  Principal Component Analysis of Multivariate Spatial Functional Data.

  This work is devoted to the study of dimension reduction techniques for multivariate spatially
  indexed functional data and defined on different domains. We present a method called Spatial
  Multivariate Functional Principal Component Analysis (SMFPCA), which performs principal
  component analysis for multivariate spatial functional data. In contrast to Multivariate Karhunen-
  Loève approach for independent data, SMFPCA is notably adept at effectively capturing spatial
  dependencies among multiple functions. SMFPCA applies spectral functional component analysis
  to multivariate functional spatial data, focusing on data points arranged on a regular grid. The
  methodological framework and algorithm of SMFPCA have been developed to tackle the challenges
  arising from the lack of appropriate methods for managing this type of data. The performance of the
  proposed method has been verified through finite sample properties using simulated datasets and
  sea-surface temperature dataset. Additionally, we conducted comparative studies of SMFPCA
  against some existing methods providing valuable insights into the properties of multivariate spatial
  functional data within a finite sample

  Afficher le contenu...

  

• Jeudi 19 mars 2026 - Vasiliki Evdoridou (Open University) 13h

  Contracting sequences of inner functions

  In the setting of iteration of inner functions, Aaronson and also Doering and Mane gave a remarkable dichotomy about the behaviour of the boundary extension. They showed that this behaviour is of one of two entirely different types, depending on the size of the sequence (|f^n(0)|). We will discuss the two parts of this dichotomy in the setting of forward compositions of inner functions. We will focus on the second part, which is more intriguing, and present some results in the case where the composition is contracting. This is joint work with A.M. Benini, N. Fagella, P. Rippon and G. Stallard.

  Afficher le contenu...

  

• Jeudi 19 mars 2026 - armel bra 14h30

  Modèles autorégressifs modulés par une chaîne de Markov cachée avec innovations dépendantes.

  Ces travaux portent sur l’estimation et l'inférence statistique des modèles de séries temporelles ARHMC (Autoregressive Hidden Markov Chain) à changements de régimes markoviens avec innovations dépendantes (i.e ARHMC(p) faibles). Nous avons développé des procédures d’estimation par la méthode des moments. Puis, nous avons établi les principales propriétés asymptotiques des estimateurs proposés. Nous avons également accordé une attention particulière à l'estimation de la matrice variance asymptotique de type sandwich. Pour le modèle ARHMC}(0) faible, nous construisons des tests portmanteau adaptés aux innovations dépendantes, permettant de tester l’adéquation du modèle et de sélectionner le nombre de régimes. Nous abordons également la prévision et le décodage de la chaîne cachée.

  Afficher le contenu...

  

• Vendredi 13 mars 2026 - luca castelli

  Bornes non asymptotiques pour l'estimateur PLS.

  La régression PLS est une méthode statistique permettant de traiter le cas de la grande dimension. Cette méthode projette les données sur un sous-espace bien choisi, considérant les corrélations successives avec la variable à expliquer dans le but d'améliorer la qualité de prédiction. Nous nous focaliserons sur le cas d'une composante, qui fournit un cadre utile pour comprendre le mécanisme sous-jacent. Nous fournissons une borne non asymptotique sur la perte quadratique en prédiction avec grande probabilité dans un contexte de régression en haute dimension. Ensuite, nous étendons ces résultats à l'approche Sparse PLS (sPLS). En particulier, nous présentons des bornes supérieures similaires à celles obtenues avec l'algorithme LASSO, avec une contrainte supplémentaire sur les valeurs propres restreintes de la matrice de design. Nous détaillerons ensuite le lien entre la dimension 1 et la dimension K afin de mettre en évidence les termes d’intérêt en vue d’une généralisation.
  
  

  Afficher le contenu...

  

• Jeudi 12 mars 2026 - ELeanor Archer
  

• Jeudi 12 mars 2026 - Mauro Pastore
  

• Jeudi 05 mars 2026 - Antoine Heranval

  Analyzing temporal dependence between extreme events using point processes

  Extreme meteorological events often occur in complex temporal configurations, where the impacts of one hazard may depend on the prior occurrence of others. Characterising such temporal dependencies is essential for understanding compound climate risks, yet remains challenging due to the discrete, heterogeneous, and clustered nature of extreme events. In this study, we apply temporal point process methods to characterise dependencies among extreme meteorological events occurring within appropriately defined spatial regions across Europe, focusing exclusively on their temporal structure.
  We introduce an event-based framework in which extreme events are represented as marked temporal point processes, with marks describing key characteristics such as intensity or duration. Global first- and second-order temporal statistics are used to quantify clustering, co-occurrence, and directional dependencies between different types of extremes. In particular, we rely on directional cross-$K$ functions to assess whether the occurrence of one type of extreme event systematically modifies the short-term probability of subsequent events of another type.
  Two complementary applications illustrate different facets of compound event analysis. First, we demonstrate the relevance of the framework for preconditioned compound events through a temporal analysis of wildfire-related meteorological extremes. Second, we examine temporal dependence between extreme precipitation, extreme wind, and extreme atmospheric instability across all European NUTS-2 regions.
  Building on these second-order statistics, we develop formal tests of temporal independence to assess the significance of observed directional interactions between different types of extreme events. Overall, this temporal point process framework provides a rigorous and interpretable approach to the analysis of compound and preconditioned climate extremes, with direct applications to climate risk assessment and early-warning systems.

  Afficher le contenu...

  

Février 2026

• Jeudi 26 février 2026 - Yiye Jiang

  A new Bayesian framework of inferring covariance/correlation matrices

  In this talk, we first introduce a new Bayesian model for inferring covariance and correlation matrices. A key challenge is sampling from the posterior distribution. Motivated by this inference problem, we develop a general sampling algorithm that can also be applied in other settings. In the second part, we present the main principles of the algorithm. In the final part, we apply the proposed methodological and computational approach to a real fMRI dataset from rat brains. The inferred correlations among the MRI signals reveal the rats’ functional connectivity network.
  
  

  Afficher le contenu...

  

• Jeudi 12 février 2026 - Ouerdia Arezki

  Sur le comportement asymptotique de l’erreur de prédiction à plusieurs pas d’un modèle de champs aléatoires non linéaires à coefficients estimés

  In this presentation, we study the multi-step prediction performance of two-dimensional random-coefficient autoregressive models, with particular attention to the effect of parameter estimation uncertainty. We first analyze the ideal case where the model parameters are known, which allows us to establish a theoretical lower bound for prediction error. We then consider the practical case where parameters are estimated from data and show how estimation uncertainty contributes to prediction accuracy.
  
  The approach is illustrated through Monte Carlo simulations and an application to relative humidity data over Central Europe, highlighting the relevance of the proposed framework for large-scale spatial environmental prediction.

  Afficher le contenu...

  

• Jeudi 05 février 2026 - Rémi Boutin

  The Deep Latent Position Block Model for Block Clustering and Latent Representation of Nodes in Network

  The current surge in data has led to a significant increase in the size of networks used to model relationships between different objects represented as nodes. Therefore, summarising network information is a crucial task that can be conducted using node clustering methods. Additionally, to ensure interpretable results, it is essential to employ relevant visualisation techniques to depict the network. To tackle both issues, we propose a new methodology called the deep latent position block model (Deep LPBM). This simultaneously provides a network visualisation coherent with block modelling, allowing a clustering more general than community detection methods, as well as a continuous representation of nodes in a latent space given by partial membership vectors. In this talk, I shall present Deep LPBM modelling assumptions as well as the variational autoencoder strategy used for inference. This methodology will be evaluated on a node clustering benchmark comprising positional community detection as well as block model methods. Eventually, an analysis of the French political blogosphere network and a comparison with another methodology will illustrate the novelty provided by Deep LPBM results.

  Afficher le contenu...

  

Janvier 2026

• Jeudi 29 janvier 2026 - Charlie Sire

  Spline Interpolation on Compact Riemannian Manifolds

  Spline interpolation is a widely used class of methods for solving interpolation problems by constructing smooth interpolants that minimize a regularized energy functional involving the Laplacian operator. While many existing approaches focus on Euclidean domains or the sphere, relying on the spectral properties of the Laplacian, this work introduces a method for spline interpolation on general manifolds by exploiting its equivalence with kriging. Specifically, the proposed approach uses finite element approximations of random fields defined over the manifold, based on Gaussian Markov Random Fields and a discretization of the Laplace-Beltrami operator on a triangulated mesh. This framework enables the modeling of spatial fields with local anisotropies through domain deformation. The method is first validated on the sphere using both analytical test cases and a pollution-related study, and is compared to the classical spherical harmonics-based method. Additional experiments on the surface of a cylinder further illustrate the generality of the approach.
  

  Afficher le contenu...

  

• Jeudi 22 janvier 2026 - hugo henneuse

  Estimation de Modes Multiples et Homologie Persistante.

  La détection et la localisation des modes d'une densité de probabilité (i.e., les points où la densité atteint un maximum local) constituent un problème classique de statistique non paramétrique. L’estimation du mode global, lorsqu’il est unique, en particulier pour les densités unimodales, a longtemps concentré l’attention, conduisant à la fois à la conception d’algorithmes efficaces et à une caractérisation précise des vitesses minimax sous différentes hypothèses sur la densité sous-jacente. Le problème plus général de l’estimation de l’ensemble des modes est plus difficile. Plusieurs approches ont été proposées, notamment les méthodes de type mean-shift, qui donnent des résultats satisfaisants en pratique, mais dont les performances restent peu comprises théoriquement. Dans cette présentation, nous proposerons une alternative fondée sur un outil central de l’analyse topologique des données (TDA) : l’homologie persistante et sa représentation pratique via les diagrammes de persistance. Nous présenterons plusieurs résultats sur la consistance de cette approche, pour de larges classes de densités pouvant admettre des discontinuités (y compris en les modes) ainsi que son optimalité au sens minimax. Au-delà de l’estimation des modes, nous discuterons également du problème de l’estimation des diagrammes de persistance pour de telles densités.

  Afficher le contenu...

  

• Jeudi 22 janvier 2026 - Manon Michel + Philippe Gaussier

  GT IA 14h-16h

  

• Jeudi 15 janvier 2026 - Emile Pierret

  A Precise Examination of Diffusion Models via Their Application to Gaussian Distributions

  After a brief introduction to diffusion models for image generation, I will present their application to Gaussian data distributions. Although this setting is of limited practical interest, it provides a simplified framework that allows for a precise characterization of the errors involved, which is essential for studying the convergence of diffusion models. I will explain how these errors can be quantified in the continuous formulation of diffusion models under the Gaussian assumption and have a focus on "initialization error".

  Afficher le contenu...

  

• Jeudi 08 janvier 2026 - Alice Le Brigant

  Géométrie de l'information dans un cadre non paramétrique

  Dans la théorie de la géométrie de l'information développée par Amari, l'information de Fisher permet de définir une métrique riemannienne sur une famille paramétrique de distributions de probabilités donnée. Cette métrique permet de comparer et d'interpoler entre des distributions d'une même famille, et est caractérisée par son indépendance par rapport aux statistiques exhaustives. Amari introduit également une famille de connections affines avec cette même propriété. Dans cet exposé, nous parlerons de la généralisation de ces objets au cadre non paramétrique, et des structures géométriques induites sur l'espace des mesures de probabilités.

  Afficher le contenu...

  

Décembre 2025

• Jeudi 18 décembre 2025 - Orlane Rossini

  Apprentissage par renforcement model-based pour le contrôle de processus de décision semi-markoviens déterministes par morceaux partiellement observables.

  La prise de décision séquentielle dans des systèmes partiellement observables et à dynamique inconnue constitue un défi majeur, notamment lorsque les données disponibles sont limitées.
  
  Ce type de situation est fréquent en médecine, où l’état du patient est observé de manière intermittente, et où la progression de la maladie varie fortement d’un individu à l’autre.
  
  Dans ce contexte, les stratégies de traitement personnalisées visent à adapter le suivi à la dynamique propre de chaque patient, afin de réduire les traitements inutiles et de favoriser une détection précoce des rechutes. Pour cela, il est nécessaire de disposer de modèles capables de capturer une dynamique globale tout en s’adaptant aux spécificités individuelles.
  
  
  Les Processus de Markov Déterministes par Morceaux (PDMPs) sont particulièrement adaptés pour modéliser des maladies comme le cancer, dont l’évolution est largement déterministe, ponctuée d’événements aléatoires. Cependant, le contrôle optimal de tels processus est difficile, notamment en cas d'observations partielles ou d’incertitude sur le modèle.
  
  
  Dans ce travail, on propose une approche numérique permettant de calculer une stratégie $\epsilon$-optimale pour un PDMP complètement observé à dynamique connue. L’étude se poursuit dans le cadre partiellement observable en transformant le problème en un Processus de Décision Markovien Partiellement Observé (POMDP), résolu à l’aide d’algorithmes d’apprentissage par renforcement profond, capables de gérer l’espace d'état continu. Enfin, afin d’intégrer l’incertitude sur les dynamiques, nous reformulons le problème en un POMDP Bayésien Adaptatif (BAPOMDP), dans lequel la dynamique est modélisée de manière probabiliste. Cette dernière formulation permet d’apprendre des stratégies de contrôle robustes et personnalisées à partir de données limitées et incertaines.

  Afficher le contenu...

  

• Jeudi 11 décembre 2025 - Laure Coutin

  Théorèmes limites pour les processus de Hawkes.

  Les processus de Hawkes initialement introduit
  en sismologie, sont très utilisé pour modéliser des réseaux de neurones,
  en assurance en dynamique de population.
  L'objet de cet exposé est de proposer
  un tour d'horizon des résultats de quantification de certains théorèmes limites des processus de Hawkes

  Afficher le contenu...

  

• Jeudi 04 décembre 2025 - Susovan Pal

  Manifold learning with non-smooth boundaries, and asymptotics of the graph Laplacian

  Manifold learning algorithms often assume that data lie on or near a smooth lower-dimensional manifold M embedded in a higher dimensional Euclidean space, and that the Laplace–Beltrami operator of M can be approximated by graph Laplacian constructed from the data. However, analogous results for singular geometric spaces (for instance, spaces with boundaries or cusps) remain largely unexplored. In this talk, I will present recent work analyzing the asymptotic behavior of the unnormalized graph Laplacian on manifolds with non-smooth boundaries, which we refer to as manifolds with kinks, corners or cusps being special cases. In contrast with the smooth case—where convergence is to the Laplace–Beltrami operator—we show that the limiting behavior involves a first-order boundary operator, namely a generalized normal derivative, giving rise to generalized Neumann Laplacian. Numerical simulations support and illustrate the theoretical results. Aside from the usual motivation of nonlinear dimensionality reduction, we also show one application on edge detection in image processing.
  

  Afficher le contenu...

  

Novembre 2025

• Jeudi 27 novembre 2025 - rémi Vaucher

  Infering hypergraphs on set of time series using the signature transform.

  Topological data analysis (TDA) has emerged in recent years as a rapidly developing area within statistics. Its central challenge lies in equipping a dataset with a suitable topological structure, typically via the construction of simplicial complexes, which can be viewed as a particular class of hypergraphs. For temporal data, however, the absence of an intrinsic metric constitutes a major obstacle to building such structures. To address this issue, we propose the use of rough path signatures.
  
  By design, signatures extract a temporal summary of the geometric features of a path. In this work, we introduce two approaches: the first constructs a hypergraph that captures explainability relationships, while the second relies on kernel-based methods.
  
  These contributions aim to bridge the gap between geometric representations of temporal processes and topological modelling, thereby enabling a richer structural understanding of time-dependent data.
  
  
  
  

  Afficher le contenu...

  

• Jeudi 20 novembre 2025 - Alessandra Ocelli
  

• Mardi 18 novembre 2025 - 18 novembre 2025 : Issam Falih + Julien Hautot

  GT IA 14h-16h

  

• Jeudi 06 novembre 2025 - HCERES

  ne pas prévoir de séminaire ? HCERES

  Afficher le contenu...

  

Octobre 2025

• Jeudi 23 octobre 2025 - Jonathan Husson

  Grandes deviations et spectres de matrices aléatoires

  

• Jeudi 16 octobre 2025 - fete de la science

  fete de la science

  éviter de prévoir un séminaire : fête de la science

  Afficher le contenu...

  

• Jeudi 02 octobre 2025 - Gauthier Thurin

  Quantiles multivariés, transport optimal et applications

  On introduira une définition de quantiles multivariés fondée sur le transport de mesures depuis une loi de référence fixée. Une application à la prédiction conforme sera détaillée, ce qui permettra de mettre en perspective ses principales propriétés par rapport à d’autres alternatives.

  Afficher le contenu...

  

Septembre 2025

• Jeudi 25 septembre 2025 - réunion d'équipe

  réunion d'équipe et séminaire GT IA (par Julien et Boris)

  Pas de séminaire : réunion d'équipe
  Info : a 14h séminaire du GT IA

  Afficher le contenu...