Moyenne et Composantes Principales de séries temporelles, une nouvelle approche avec la méthode de la signature II
Catégorie d'évènement : Groupe de travail Probabilités et Statistique Date/heure : 15 février 2024 09:15-10:15 Lieu : Salle de conférences Nancy Oratrice ou orateur : Raphael Mignot (IECL) Résumé :Suite du groupe de travail du 1er février. Le résumé est actualisé.
L’objectif de notre travail est double : établir un barycentre de séries temporelles multidimensionnelles et trouver des directions d’importance. Nous encodons les séries temporelles avec des intégrales de différents ordres de moments, constituant leur signature.
Dans un premier groupe de travail (1er fév.), nous avons introduit la topologie de l’espace des signatures et de leur espace ambiant, ainsi que leurs propriétés fondamentales. L’espace des coefficients de signature est une variété avec une structure de groupe mais sans métrique riemannienne bi-invariante, ce qui rend difficile l’utilisation d’approches Riemanniennes classiques.
Dans cet épisode 2, nous reviendrons sur les barycentres de signatures puis nous introduirons une généralisation de l’Analyse en Composantes Principales aux variétés différentiables. Dans le même esprit que la procédure de calcul de la moyenne, nous cherchons les géodésiques importantes. Importantes dans le sens où les coefficients de signature ont une variance maximale le long de ces géodésiques. Elles décrivent donc bien les données dans l’espace des coefficients de signature. Ces directions principales peuvent être utilisées pour une interprétation qualitative des données, mais aussi pour la réduction de dimension, comme on le fait avec l’analyse en composantes principales lorsqu’on analyse des données dans un espace Euclidien.
Gaussian random fields on Riemannian manifolds: Applications to Geostatistics
Catégorie d'évènement : Séminaire Probabilités et Statistique Date/heure : 15 février 2024 10:45-11:45 Lieu : Salle de conférences Nancy Oratrice ou orateur : Mike Pereira (Université Paris Sciences & Lettres) Résumé :Many applications in spatial and spatio-temporal statistics require data to be modeled by Gaussian processes on non-Euclidean domains, or with non-stationary properties. Using such models generally comes at the price of a drastic increase in operational costs (computational and storage-wise), rendering them hard to apply to large datasets. In this talk, we propose a solution to this problem, which relies on the definition of a class of random fields on Riemannian manifolds. These fields extend ongoing work that has been done to leverage a characterization of the random fields classically used in Geostatistics as solutions of stochastic partial differential equations. The discretization of these generalized random fields, undertaken using a finite element approach, then provides an explicit characterization that is leveraged to solve the scalability problem. Indeed, matrix-free algorithms, in the sense that they do not require to build and store any covariance (or precision) matrix, are derived to tackle for instance the simulation of large Gaussian fields with given covariance properties, even in the non-stationary setting or on surfaces.