Groupe de travail Probabilités et Statistique

En classification supervisée se pose très vite la question de comment choisir parmi toutes les méthodes disponibles dans la littérature. L’algorithme AdaBoost (pour Adaptive Boosting), découvert par Freund et Schapire à  la fin des années 90 (et qui leur a valu le prix Gödel en 2003) fait partie de ces algorithmes d’apprentissage qui cherchent à  diriger l’échantillon pour améliorer la capacité prédictive d’un classifieur. A tel point que n’importe quel classifieur faible, i.e., avec une capacité prédictive à  peine meilleure que pile ou face, peut devenir aussi fort que souhaité.

Dans cet exposé, nous présenterons quelques résultats concernant l’étude
probabiliste de graphes (ou cartes) planaires aléatoires. Cette théorie, initiée par
Angel et Schramm au début des années 2000, vise à  comprendre les propriétés géométriques
de graphes planaires aléatoires dont la taille tend vers l’infini.
Les travaux de Le Gall et Miermont ont notamment permis de montrer
la convergence de certains modèles vers une surface aléatoire universelle,
la carte brownienne, qui constitue un analogue du mouvement brownien pour la sphère.
Après une introduction à  ces résultats, nous nous intéresserons à  des cartes
planaires aléatoires ayant de grandes faces, appelées cartes stables.

Sur l’exemple de l’équation de Schrödinger, on présentera quelques idées utilisées pour montrer l’existence et l’unicité de solutions. Ensuite on montrera comment on peut améliorer ces résultats à  l’aide de méthodes probabilistes (inégalité de Khintchin, chaos de Wiener, mesures de Gibbs), si l’on munit l’équation de conditions initiales aléatoires.

Sur l’exemple de l’équation de Schrödinger, on présentera quelques idées utilisées pour montrer l’existence et l’unicité de solutions. Ensuite on montrera comment on peut améliorer ces résultats à  l’aide de méthodes probabilistes (inégalité de Khintchin, chaos de Wiener, mesures de Gibbs), si l’on munit l’équation de conditions initiales aléatoires.

On discutera d’anciens et nouveaux résultats concernant le collectionneur de coupon, en lien avec les processus de Poisson, les nombres de Stirling, le schéma d’Euler, et quelques objets combinatoires associés à  ces problèmes.
Travail en collaboration avec Anis Amri.

La théorie statistique de l’apprentissage porte sur trois problèmes d’inférence empirique : la discrimination, la régression et l’estimation de la fonction de densité. Cette présentation se concentre sur la discrimination. Nous exposons les garanties disponibles sur les performances en généralisation des systèmes discriminants (risques garantis), en privilégiant le cas o๠ceux-ci s’appuient sur le concept de marge. L’intervalle de confiance de ces risques garantis dépend de trois paramètres principaux : la taille m de l’échantillon, le nombre C de catégories et la valeur gamma du paramètre de marge. Nous caractérisons cette dépendance en fonction du choix de la fonction de perte.

Une égalité due à  Spitzer relie la loi du maximum d’une marche aléatoire à  celle
de ses sommes partielles. En 1960, Glenn Baxter donne une preuve élégante de
cette égalité probabiliste, en la réduisant tout d’abord à  un problème d’analyse,
puis à  un problème algébrique qui résolu par des arguments de nature combinatoire.
L’idée principale, qui donna naissance aux algèbre de Rota-Baxter, est de généraliser
une identité de produit d’intégrales et de l’appliquer à  la résolution d’équation linéaire.

G. Baxter, An analytic problem whose solution follows from a simple algebraic identity,
Pacific J. Math. 10 (1960), 731–42.

Cet expose continue la suite initiee cette annee sur la definition et la caracterisation des processus ponctuels. Apres un rappel de ce qui a ete presente dans les seances precedentes, l’expose va continuer avec la description des liens entre la loi d’un processus ponctuel et les mesures de Palm associees. Pour cela, apres une discution sur les implications du theoreme de Slyvniak-Mecke, l’intensite conditionnelle, le theoreme de Georgii-Nguyen-Zessin vont être présentées, pour aboutir finalement à  la caracterisation differentielle d’un processus ponctuel de Gibbs.

Dans cet exposé je décrirai une structure (formellement) Riemanniene du
transport optimal, originellement introduite par Felix Otto. Ce point de
vue permet d’identifier certains processus de diffusion comme des flots
gradients dans l’espace métriques des mesures de probabilité muni de la
distance de Wasserstein $(mathcal P(mathbb R^d),W_2)$.
Ce cadre Riemannien permet de faire un lien très naturel entre
l’approche Bakry-Émery et les inégalités fonctionnelles
d’Entropy-Entropy production d’une part, et d’autre part la convexité
géodésique au sens de McCann. Ce point de vue permet d’obtenir
facilement des résultats de convergence en temps long.
Si le temps le permet je parlerai enfin d’une généralisation au cadre du
transport optimal non-conservatif, que j’ai introduit récemment avec mes
collaborateurs (et simultanément avec deux autres équipes de façon
indépendante) et qui permet d’étendre la structure Riemannienne aux
mesures de Radon de masse arbitraire.