Séance du 7 janvier 2019

Séance organisée par Liliane Bel et Vincent Rivoirard

Lieu : IHP, Amphi Darboux

14.00 : Maud Thomas (Sorbonne Université)

Titre : Predicting extreme influenza epidemics

Résumé : Influenza viruses are responsible for annual epidemics, causing more than 500,000 deaths per year worldwide. A crucial question for resource planning in public health is to predict the morbidity burden of extreme epidemics. We say that an epidemic is extreme whenever the influenza incidence rate exceeds a high threshold for at least one week. Our objective is to predict whether an extreme epidemic will occur in the near future, say the next couple of weeks. The weekly numbers of influenza-like illness (ILI) incidence rates in France are available from the Sentinel network for the periode 1991-2017. A main goal of Extreme Value Theory is to assess, from a series of observations, the probability of events that are more extreme than those previously recorded. Because of the autoregressive structure of the data, we choose to fit one of the multivariate generalized Pareto distribution models proposed in [Rootzén et al., 2016a,b]. For these models, explicit densities are given, and formulas for conditional probabilities can then be deduced, from which we can predict if an epidemic will be extreme, given the first weeks of observation.

Joint work in Holger Rootzén, Chalmers University of Technology (Sweden)

15.00 : Edouard Oyallon (Centrale Supelec)

Titre : The shallow learning quest

Résumé : Successful deep neural networks are systematically trained via the end-to-end back-propagation algorithm. We challenge this optimization procedure. We show it is possible to train layers sequentially, by using ad-hoc auxiliary classifiers. For instance, one can obtain AlexNet performances on Imagenet by training successively a sequence of 1-hidden layer CNNs. Using deeper auxiliary classifier, we exhibit VGG performances. We propose an empirical analysis through the scope of progressive linear separation. Applications are discussed.

16.00 : Pierre Gloaguen (Agro ParisTech)

Titre : Méthodes de Monte Carlo séquentielles pour l’estimation par maximum de vraisemblance dans les modèles de Markov caché généraux.

Résumé : Dans cette présentation, on s’intéressera au problème d’estimation dans les modèles de Markov cachés. Ces modèles génériques sont très populaires pour modéliser des dépendances temporelles dans des domaines très variés tels que l’écologie, la biologie, le traitement du signal ou la finance. Dans un tel modèle, on suppose que les observations sont structurées par des états cachés à dynamique markovienne, que l’on cherchera à retrouver. Un exemple typique est l’estimation d’abondance d’une population globale (de poissons) à partir d’une observation imparfaite de celle-ci (une campagne scientifique). L’objectif d’estimation est alors de retrouver les paramètres du modèle de dynamique de population, ainsi que de retrouver la population globale. Pour des états cachés à support réel et des dynamiques non linéaires, la solution à ce problème n’est pas analytique, et on doit alors utiliser des méthodes de Monte Carlo pour approcher les quantités nécessaires à l’estimation. Je parlerai dans cette présentation de ces algorithmes séquentiels (particulaires) pour de tels modèles, en énonçant leur propriétés asymptotiques, notamment lorsque la dynamique markovienne cachée (la densité de transition) n’a aucune forme analytique. Ce travail est le fruit d’une collaboration avec Sylvain Le Corff (Télécom Sud Paris) et Jimmy Olsson (KTH Royal Institute of Technology).