Doctorants

Résumé à venir

In modern algebraic geometry, the study of moduli spaces plays a central role in the problem of classifying certain geometric objects (e.g., Riemann surfaces, vector bundles), up to a fixed notion of isomorphism. The foremost question arising is whether we can construct a moduli space which, roughly speaking, parametrizes the isomorphism classes of such objects. The moduli space will be endowed with a natural geometric structure, which is often a scheme or an algebraic stack. In this talk we give an introduction in the theory of moduli spaces, with special emphasis on some classical examples: the Grassmannian, the Hilbert scheme, the moduli space of sheaves etc.. We will formulate the moduli problems using the categorical language of representable functors, and introduce the notions of fine and coarse moduli spaces.

Stochastic Approximation is a useful tool for Machine Learning techniques such as Stochastic Gradient Descent. These algorithms are applied to a lot of different fields, improving the transportation times, helping doctors diagnosing with medical images, automatically translating text, detecting spam and more. Most of the time, the model traditionally lies in a vector space. However, some problems present non-linear constraints, that can be translated into a manifold. This framework ensures the conservation of key properties. As an introduction to geometric machine learning, we study the gradient descent algorithm, and its adaptation to Riemannian manifolds. Finally, we compare the performance of the two, introducing new non-asymptotic bounds.

À venir

En France la liste d’attente pour la greffe d’organe est nationale. La question de la décision autour de l’attribution d’un greffon est donc très importante. Dans cet exposé je vous présenterai l’approche théorique d’un tel problème à l’aide des modèles d’appariement avec impatience et je détaillerai l’évolution des simulations de ce problème, au fur et à mesure des interactions avec l’agence de la biomédecine.

Cette présentation concerne l’étude des courses de polynômes irréductibles unitaires dans les corps de fonctions à (3) compétiteurs ou plus. Plus concrètement, soit (m in F_{q}[T]) un polynôme unitaire (avec (F_{q}) un corps à (q) éléments et (q) une puissance d’un premier (>2)) de degré (M geq 2), (r) un entier (geq 3). Pour (a in F_q[T]) premier avec (m) et pour (N in mathbb{N^{*}}), on désigne par (pi(a,m,N)) le nombre de polynômes irréductibles unitaires congrus à (a ) et de degré (N). On considère (A_{r}(m) ) l’ensemble des (r)-uplets des différents éléments ((a’_1,..,a’_r) in F_{q}[T]) modulo (m) qui sont premiers avec (m.) Pour ((a_1,..,a_r) in A_{r}(m)), on définit :
begin{align*}
P_{m;a_1,..,a_r} &:= left{ X in mathbb{N}^{*} : hspace{0,2cm}
sumlimits_{N=1}^{X} pi(a_1,m,N) > …> sumlimits_{N=1}^{X} pi(a_r,m,N)
right}
end{align*}
Ainsi, sous l’hypothèse LI, pour réaliser cette étude, il suffit d’étudier la densité naturelle suivante :
begin{align*}
delta_{m;a_1,..,a_r} :&= limlimits_{X longrightarrow +infty} frac{# left( P_{m;a_1,..,a_r} cap left{1,2,.., Xright} right)}{X}
end{align*}

Il s’agit d’analyser les différentes densités afin de déterminer l’équipe gagnante.

In statistical analysis, change point detection aims to identify the times when the probability distribution of a stochastic process or a time series, or the parameter of the time series models changes. In general, the problem concerns both detecting the changes and identifying their locations. My goal is not only to detect the big breakpoint, but also, the detection of the small changes. The likelihood ratio test is used to detect these changes (small and big changes). The distribution
under the null and the alternatives hypothesis of the test was did by the LAN property (Locally asymptotic normal) and the Le Cam’s third lemma. The optimality of the test was proved at the end of the job.

Les travaux de Charles Darwin sur l’évolution ont motivé de longues recherches sur les effets des mutations génétiques et de la sélection naturelle. Cependant, les avancées techniques ont récemment permis aux biologistes de s’apercevoir qu’à l’échelle individuelle et sur une échelle temps plus courte que l’échelle évolutive, l’expression des gènes impliqués dans le métabolisme bactérien est hétérogène.

Nous proposons dans cet exposé quelques approches de modélisation plus ou moins simples soutenues par des hypothèses biologiques, partant d’une formalisation des mécanismes majeurs qui ont lieu à l’intérieur de la cellule bactérienne à une description des dynamiques globales pour des cultures en grande population.

Hydrogeochemical data may be seen as a point cloud in a multi-dimensional space. Each dimension of this space represents a hydrogeochemical parameter ( i.e. salinity, solute concentration, concentration ratio, isotopic composition…). While the composition of many geological fluids is controlled by mixing between multiple sources, a key question related to hydrogeochemical dataset is the detection of the sources. By looking at the hydrogeochemical data as spatial data, this work presents a new solution to the source detection problem that is based on point processes. Results are shown on simulated and real data from geothermal fluids.