Séminaire Probabilités et Statistique

Les MAMEs sur des graphes sont les MAs qui maximisent l’entropie trajectoriellement. Leurs constructions nécessitent une connaissance globale du graphe dont le rayon spectral et vecteur propre positif associé. A contrario, les MA simples peuvent être vues comme celles maximisant l’entropie localement.

Ces MAs ont été introduites il y a une dizaine d’années par des physiciens et des informaticiens. Elles ont par exemple de meilleures propriétés diffusives dans les réseaux réguliers et de fortes propriétés de localisations dans les milieux irréguliers. Elles ont déjà trouvé de nombreuses applications dans le traitement d’images ou la prédiction de liens dans un graphe notamment.

Je présenterai quelques exemples, notamment des MAMEs sur des graphes infinis et des processus d’exclusions maximaux entropiques, et je parlerai de certaines limites d’échelles de ces processus (Bessel 3, Mouvement Brownien de Dyson…).

Dans cet exposé, on introduit une nouvelle classe de schémas numériques qui permettent des approximations de faible régularité du second moment de la solution d’une EDP dispersive avec des données initiales aléatoires. Cette quantité joue un rôle important en physique, en particulier dans l’étude de la turbulence des ondes où il faut adopter une approche statistique afin d’obtenir une compréhension approfondie du comportement générique à long terme des solutions aux équations dispersives. Nos schémas utilisent une discrétisation basée sur la résonance après avoir appliqué le théorème de Wick qui produit des diagrammes de Feynman. Pour écrire ces schémas, on introduit des forêts décorées appariées qui sont deux arbres décorés dont les décorations sur les feuilles viennent par paires. La construction du schéma s’inspire du traitement des équations aux dérivées partielles stochastiques singulières via les structures de régularité. Il s’agit d’un travail conjoint avec Yvonne Alama Bronsard et Katharina Schratz.

…ou « Combien de projections sous-gaussiennes doit-on faire pour reconstruire un objet parcimonieux dans un dictionnaire redondant ? »

This work investigates the problem of signal recovery from undersampled noisy sub-Gaussian measurements under the assumption of a synthesis-based sparsity model. Solving the l1-synthesis basis pursuit allows to simultaneously estimate a coefficient representation as well as the sought-for signal. However, due to linear dependencies within redundant dictionary atoms it might be impossible to identify a specific representation vector, although the actual signal is still successfully recovered. We study both estimation problems from a non-uniform, signal-dependent perspective. By utilizing results from linear inverse problems and convex geometry, we identify the sampling rate describing the phase transition of both formulations, and propose a « tight » estimated upper-bound.

This is a joint work with Maximilian März (TU Berlin), Jonas Kahn and Pierre Weiss (CNRS, Toulouse).

À partir d’une suite de mouvements browniens bilatères indépendants, Kiss et Solecki ont construit un continuum (un espace métrique connexe, compact et non vide) aléatoire. Ils ont montré que ce continuum est indécomposable p.s. Avec Nicolas Curien, nous avons montré qu’il n’est pas héréditairement indécomposable p.s., et que ce n’est donc pas le pseudo-arc.

Dans cet exposé, j’expliquerai l’ensemble des termes précédents, la construction de ce continuum aléatoire et je vous expliquerai pourquoi il est indécomposable, mais pas héréditairement indécomposable.

Je m’intéresserai à un modèle de partitions d’entiers aléatoires qui est une déformation à un paramètre de la très classique mesure de Plancherel du groupe symétrique. Cette déformation, qui a une définition combinatoire explicite, a sa source dans la théorie des nombres de Hurwitz, qui comptent certaines familles de cartes plongées sur des surfaces. La déformation que nous étudions intervient naturellement lorsque l’on s’intéresse à des nombres de Hurwitz (ou des cartes) de très grand genre, un problème qui se formule également dans le langage de la marche aléatoire sur le groupe des permutations engendré par les transpositions. Nous exhibons un phénomène de forme limite d’un type nouveau pour ces partitions, qui a des conséquences pour l’énumération des cartes et pour la marche. La démonstration utilise une méthode dite « entropique » qui mélange un peu de calcul des variations à beaucoup d’estimées combinatoires.
L’exposé sera introductif, sans pré-requis, avec de jolies images.
Travail en commun avec Baptiste Louf et Harriet Walsh.

This project has received funding from the European Research Council (ERC) under the European Union’s Horizon 2020 research and innovation programme (grant agreement No. ERC-2016-STG 716083 “CombiTop”).

En informatique, les expressions aléatoires sont couramment utilisées pour analyser des algorithmes, que ce soit pour étudier leur complexité en moyenne, ou pour générer des benchmarks pour les tester expérimentalement. Généralement, ces approches considèrent les expressions en entrée comme des arbres purement syntaxiques, et font abstraction de leur sémantique, c’est-à-dire de l’objet mathématique représenté par l’expression.

Pourtant, deux expressions différentes peuvent être équivalentes (par exemple « 0*(x+y) » et « 0 » représentent la même expression, l’expression nulle). Ces phénomènes de redondances remettent-ils en question la pertinence de ces analyses et ces tests qui ne tiennent pas compte de la sémantique des expressions ?

Je présenterai comment la distribution uniforme sur les arbres syntaxiques d’expressions devient complètement dégénérée lorsqu’on commence à prendre en compte leur sémantique, dans le cas très simple mais courant où il existe un élément absorbant. Si le temps le permet, j’expliquerai pourquoi la distribution ABR laisse plus d’espoirs.

Il s’agit d’un travail effectué pendant ma thèse, en commun avec Cyril Nicaud et Pablo Rotondo.

Dans cet exposé je présenterai un travail en collaboration avec Oriane Blondel et Cristina Toninelli où nous étudions le modèle FA1f en dimension 1. Il s’agit d’un système de particules en interaction (plus précisément un modèle issu de la physique statistique dit modèle cinétiquement contraint où chaque site met à jour la valeur de son spin si une certaine contrainte locale est satisfaite, ici c’est le fait d’avoir au moins un 0 dans ses voisins). Dans ce travail, nous prouvons, sous certaines conditions, une vitesse linéaire, et des fluctuations gaussiennes, pour le front (i.e. le 0 le plus à gauche lorsque l’on part d’une configuration initiale avec que des 1 à gauche de l’origine et un 0 en l’origine). Ce talk sera l’occasion de présenter les techniques classiques utilisées dans les modèles de croissance aléatoire tels que le processus de contact et de parler de méthode de couplage permettant de passer d’un modèle bien connu a un modèle plus complexe (en particulier non attractif).

Après avoir présenté les défis numériques actuels pour atteindre des tailles de réseaux de l’ordre du cerveau humain, j’expliquerai pourquoi les processus de Hawkes peuvent être un bon modèle pour passer à l’échelle. J’expliquerai comment les algorithmes classiques peuvent être renouvelés pour y arriver. Une des approches les plus innovantes est basée sur un résultat probabiliste fort : la décomposition de Kalikow, qui permet de tirer au hasard les dépendances spatiales et dans le passé et que nous avons redéfini en temps continu. Elle permet en particulier de simuler un neurone immergé dans un réseau infini sans avoir à simuler le réseau infini. Ce travail est effectué en collaboration avec Eva Löcherbach (mathématicienne, Paris I), Alexandre Muzy (informaticien, Université Côte d’Azur) ainsi que nos étudiants : Cyrille Mascart, Tien Cuong Phi et Paul Gresland.

Dans une population homogène, le nombre de reproduction de base, noté R₀, est défini comme le nombre moyen de cas directement générés par une personne contagieuse quand tous les autres individus sont sains et sensibles à l’infection. Ce nombre joue un rôle fondamental en épidémiologie puiqu’il constitue un seuil qui détermine si l’épidémie va finir par disparaître (cas R₀ ≤ 1) ou, au contraire, devenir endémique (cas R₀ > 1).
Imaginons désormais qu’une proportion 1 − 1/R₀ de la population est immunisée (en étant vaccinée par exemple). Le nombre moyen d’individus qu’infecte la personne contagieuse est alors divisé par R₀. On en déduit que le nouveau nombre de reproduction, qualifié d’effectif dans ce cas, est égal à 1 : l’épidémie finira par disparaître grâce au phénomène d’immunité grégaire. Le nombre 1 − 1/R₀, appelé seuil d’immunité de groupe, est souvent utilisé pour evaluer l’efficacité d’une politique de vaccination par les autorités sanitaires.
Quand les contacts dans la population ne sont plus homogènes, le nombre de reproduction de base est défini comme le nombre de cas directement générés par une personne infectée typique quand tous les autres individus sont sains et sensibles à l’infection. Le seuil d’immunité collective 1 − 1/R₀ reste encore valide quand on vaccine la population uniformément. Il est cependant naturel de se demander si l’on ne pourrait pas abaisser ce seuil en ciblant certains groupes dans la population.
L’objectif de cette présentation est de proposer une formalisation mathématique de ce problème. Pour modéliser les contacts dans la population, j’utiliserai des objets issus de la théorie des limites des grands graphes. Dans la première partie de l’exposé, je présenterai un modèle hétérogène de type SIS (Susceptible → Infecté → Susceptible) avec vaccination que nous avons introduit récemment. Ce modèle servira de base pour définir les stratégies optimales de vaccination, montrer leur existence et étudier leurs propriétés de stabilité. Enfin, je donnerai une série d’exemples où les solutions du problème de vaccination optimale peuvent être exprimées de manière analytique.

→ Version PDF avec références

La percolation consiste à partir d’un graphe raisonnable G, d’un paramètre p dans [0,1] et à conserver chaque arête indépendamment avec probabilité p, effaçant toutes les autres. On s’intéresse alors aux composantes connexes du graphe ainsi formé (ces composantes sont appelées amas ou clusters). Par exemple, existe-t-il un cluster infini ?

Il existe un paramètre critique p_c, qui dépend du graphe, tel que :
– pour tout p < p_c, il n’y ait presque sûrement aucun cluster infini,
– pour tout p > p_c, il existe presque sûrement (au moins) un cluster infini.

Le régime sous-critique (p < p_c) est bien compris, et ce pour des graphes généraux. Le régime critique (p = p_c) est considérablement plus difficile : il fait l’objet de grands théorèmes et conjectures. C’est au régime restant, le surcritique (p > p_c), que sera dédié cet exposé. Ce régime est plus difficile que le sous-critique mais moins ardu que le régime critique.

Contrairement au régime sous-critique, le régime surcritique est, en un certain sens qu’on précisera, sensible à la géométrie du graphe de départ. Il est donc raisonnable de se restreindre à certaines classes de graphes définies par des hypothèses géométriques. On verra qu’en se restreignant aux graphes dits « à croissance polynomiale », il est possible d’obtenir une compréhension fine du régime surcritique. Cela permet de retrouver par des techniques nouvelles des résultats déjà connus sur le réseau cubique (Grimmett–Marstrand…), ainsi que de couvrir toute une gamme de graphes intéressants (discrétisations anisotropes de Z^d, graphes de Cayley de groupes nilpotents).

Cet exposé porte sur des travaux réalisés en collaboration avec Daniel Contreras et Vincent Tassion.