Séance du 15 février 2016

Séance organisée par Estelle Kuhn et Mathilde Mougeot.

Lieu : IHP, Amphithéâtre Hermite.

14.00 : Sylvain SARDY (Université de Genève, section Mathématiques)

Titre : Threshold selection for model selection

Résumé :

Model selection is a recurrent theme in Statistics and is becoming more challenging with big data. Sparse model selection assumes a low dimensional model underneath this avalanche of data. The goal is to identify it. To that aim, many thresholding techniques have been proposed (e.g., subset selection, lasso, Dantzig selector, total variation). They all require the challenging selection of a scalar $\lambda$ called threshold. We propose a unified framework to select the threshold based on the concept of a zero-thresholding function. The work is motivated by two collaborations with scientists from the University of Geneva in Cancer research and Cosmology.

15.00 : Jean-Benoist LEGER (INRA, Maiage)

Titre : Modèle de graphes à espace latent continu de type SBM

Résumé :

De nombreuses données entre des éléments peuvent être présentés sous forme de réseaux. Ces données peuvent être binaires, comme un présence/absence de relation, quantifiées, continues, où être valuées sur d'autres espaces. Pour construire un modèle probabiliste adapté à ces données des hypothèses sont nécessaires. Des hypothèses d'appartenance des nœuds à des classes latentes et une indépendance de la loi sur les lien conditionnellement à la loi sur les nœuds conduit à des modèles de type SBM (Stochastic Block Models). Il est possible de relacher la contrainte sur l'espace latent à valeurs discrètes pour se placer dans un espace latent à valeurs continues, ce qui conduit à des modèles de type MMSBM. (Mixed Membership SBM).

Il est également possible de disposer d'information extérieures pouvant être introduites sous forme de covariables.

Cette présentation introduira les modèles de graphes à classes latentes de type SBM, avec ou sans covariables pour diverses lois de probabilités sur les liens. Elle présentera l'extension à la classe latente continue, et introduira une méthode d'estimation basée sur le Variational-EM.

16.00 : Emile CONTAL (ENS Cachan, CMLA)

Titre : Using the chaining trick to build adaptive online learning algorithms.

Résumé :

Chaining is known for years to be a powerful tool to analyse the supremum of stochastic processes. Yet, it did not appear in statistical learning techniques since very recently. In this talk we show how chaining can be translated in efficient adaptive algorithms for tackling sequential learning problems such as online nonparametric regression or bayesian optimization. We will present theoretical guarantees on the regret of the obtained method as well as numerical experiments.