Lieu : IHP, amphi Yvonne Choquet-Bruhat (second étage du bâtiment Perrin)
14.00 : Pierre Monmarché (Université Gustave Eiffel, LAMA)
Titre : Un algorithme de repondération pour l'échantillonnage de mesures multi-modales.
Résumé : Même quand les modes ont été identifiés et échantillonnés localement avec des méthodes MCMC, une difficulté pour échantillonner des mesures multi-modales est d'estimer correctement les probabilités relatives de ces modes, ce qui demande d'observer de nombreuses transitions (évènements rares) entre eux. On présentera ici une approche par inférence variationnelle qui exploite les échantillonnages locaux, ne cherchant qu'à estimer les poids relatifs entre eux. Quand les modes sont bien séparés, le problème est ramené à des estimations d'entropies.
15.00 : Marina Gomtsyan (Sorbonne Université, LPSM)
Titre : Modélisation des inégalités spatiales dans la mobilité sociale intergénérationnelle en France
Résumé : Cette présentation est organisée en deux parties. Dans la première partie, nous développons une approche originale fondée sur des méthodes statistiques classiques afin d’identifier des profils de mobilité absolue associés à trois grands types de territoires en France : les territoires ruraux, les territoires urbains à dominante de cadres et professions supérieures, et les territoires urbains à dominante ouvrière. Nous étudions ensuite la relation entre mobilité spatiale et mobilité sociale à l’aide d’une analyse de réseaux spatiaux. Pour ces analyses, nous utilisons les données de l’Enquête Emploi en continu collectées entre 1982 et 2022. Dans la seconde partie, nous étudions un algorithme d’optimisation robuste aux distributions visant à garantir de bonnes performances du modèle sur différents sous-groupes de données, correspondant dans notre application aux différentes régions. Nous établissons des garanties de convergence pour une méthode de gradient stochastique projeté. Enfin, nous discutons des applications potentielles de cet algorithme, notamment dans le cadre de la modélisation de la mobilité sociale.
16.00 : Etienne Roquain (Sorbonne Université, LPSM)
Titre : Online selective conformal inference: adaptive scores, convergence rate and optimality
Résumé : In a supervised online setting, quantifying uncertainty has been proposed in the seminal work of Gibbs and Candès (2021). For any given point-prediction algorithm, their method (ACI) produces a conformal prediction set with an average missed coverage getting close to a pre-specified level for a long time horizon. We introduce an extended version of this algorithm, called OnlineSCI, allowing the user to additionally select times where such an inference should be made. OnlineSCI encompasses several prominent online selective tasks, such as building prediction intervals for extreme outcomes, classification with abstention, and online testing. We show that OnlineSCI can convergence to an optimal solution and provide an explicit convergence rate in each of the aforementioned application cases, under specific mild conditions.