BEGIN:VCALENDAR VERSION:2.0 PRODID:-//wp-events-plugin.com//6.6.3//EN TZID:Europe/Paris X-WR-TIMEZONE:Europe/Paris BEGIN:VEVENT UID:1699@iecl.univ-lorraine.fr DTSTART;TZID=Europe/Paris:20210422T130000 DTEND;TZID=Europe/Paris:20210422T140000 DTSTAMP:20210712T074333Z URL:https://iecl.univ-lorraine.fr/events/methodes-statistiques-et-variatio nnelles-de-modelisation-prealable-au-controle-de-procedes-industriels/ SUMMARY:Méthodes statistiques et variationnelles de modélisation préalab le au contrôle de procédés industriels DESCRIPTION: \n Probabilités et Statistique\n Soutenance de thèse ou d’HDR\n \n Zhanhao Liu : CATEGORIES:Probabilités et Statistique,Soutenance de thèse ou d’HDR LOCATION:Salle de conférences Nancy\, IECL\, Nancy\, France X-APPLE-STRUCTURED-LOCATION;VALUE=URI;X-ADDRESS=IECL\, Nancy\, France;X-APP LE-RADIUS=100;X-TITLE=Salle de conférences Nancy:geo:0,0 END:VEVENT BEGIN:VEVENT UID:517@iecl.univ-lorraine.fr DTSTART;TZID=Europe/Paris;VALUE=DATE:20211021 DTEND;TZID=Europe/Paris;VALUE=DATE:20211023 DTSTAMP:20211012T204202Z URL:https://iecl.univ-lorraine.fr/events/modelisation-de-lheterogeneite-tu morale-et-therapies-ciblees/ SUMMARY:Modélisation de l'hétérogénéité tumorale et thérapies ciblé es DESCRIPTION: \n Conférence\n Probabilités et Statistique\n \n : Cette rencontre vise à réunir des spécialistes de mathématiques app liquées\, de biologie et de médecine pour discuter ensemble de développ ements récents sur divers aspects de la croissance tumorale en lien avec son hétérogénéité : réponse aux thérapies ciblées\, ADN circulant \, populations de cellules tumorales en interaction\, questions d'estimat ion et de prédiction...\n\nL'événement s'inscrit dans le cadre du proje t nancéien « Modeling ctDNA dynamics for detecting targeted therapy res istance » financé par ITMO Cancer. L'atelier sera francophone avec 10 i nterventions.\n\nL'objectif est de créer des conditions propices au dialo gue entre les communautés\, avec un équilibre théorie/pratique et des i ntervenants s'adressant à un public varié.\n\n \;\n\nPage internet d e la conférence CATEGORIES:Conférence,Probabilités et Statistique LOCATION:Centre Inria Nancy-Grand Est\, Faculté des sciences\, Vandoeuvre- lès-Nancy\, France X-APPLE-STRUCTURED-LOCATION;VALUE=URI;X-ADDRESS=Faculté des sciences\, Van doeuvre-lès-Nancy\, France;X-APPLE-RADIUS=100;X-TITLE=Centre Inria Nancy- Grand Est:geo:0,0 END:VEVENT BEGIN:VEVENT UID:1856@iecl.univ-lorraine.fr DTSTART;TZID=Europe/Paris:20211213T133000 DTEND;TZID=Europe/Paris:20211213T173000 DTSTAMP:20211205T153914Z URL:https://iecl.univ-lorraine.fr/events/soutenance-dhdr-direne-marcovici/ SUMMARY:Soutenance HDR Irène Marcovici DESCRIPTION: \n Probabilités et Statistique\n Soutenance de thèse ou d’HDR\n \n Irène Marcovici : Titre : Entre aléa et déterminism e : lumière sur quelques structures discrètes.\n---\nJury :\n\n\nFrédé rique Bassino (rapporteuse)\nPhilippe Chassaing (examinateur)\nNathanaël Enriquez (rapporteur)\nNina Gantert (rapporteuse)\nEmmanuel Jeandel (exami nateur)\nJean-François Le Gall (examinateur)\nMarie Théret (examinatrice )\n\n---\n\nRésumé :\n\nCe mémoire d’habilitation présente différen ts travaux portant sur des structures discrètes définies sur des réseau x réguliers. Ces travaux se situent à l’interface entre les probabilit és\, la combinatoire\, et les systèmes dynamiques discrets. Ils sont ég alement liés à des questions issues de la physique statistique et de l ’informatique mathématique. Les trois chapitres qui composent ce mémoi re font intervenir des objets variés\, étudiés avec l’ambition commun e d’apporter un nouvel éclairage sur les structures qui les façonnent\ , à la frontière entre aléa et déterminisme.\nDans le premier chapitre \, nous nous intéressons à des chemins définis sur des réseaux réguli ers\, d’abord dans le contexte de la percolation eulérienne (percolatio n de Bernoulli sur les arêtes de la grille\, conditionnée à ce que tous les sommets soient de degré pair)\, puis en étudiant des chemins confin és dans un domaine triangulaire\, et en les mettant en relation avec des chemins de Motzkin d’amplitude bornée.\nLe second chapitre est consacr é aux effets que peuvent avoir de petites perturbations dans la dynamique d’un automate cellulaire\, ou encore sur des pavages\, pour lesquels no us nous intéressons à l’existence de mécanismes d’auto-stabilisatio n efficaces.\nDans le troisième chapitre\, nous commençons par étudier des diagrammes espace-temps stationnaires de certains automates cellulaire s probabilistes à mémoire 2\, qui fournissent des champs aléatoires aya nt une structure particulièrement remarquable. Puis nous construisons des suites déterministes automatiques\, unidimensionnelles et multi-dimensio nnelles\, ayant des propriétés pseudo-aléatoires.\n\n\n CATEGORIES:Probabilités et Statistique,Soutenance de thèse ou d’HDR LOCATION:Salle de conférences Nancy\, IECL\, Nancy\, France X-APPLE-STRUCTURED-LOCATION;VALUE=URI;X-ADDRESS=IECL\, Nancy\, France;X-APP LE-RADIUS=100;X-TITLE=Salle de conférences Nancy:geo:0,0 END:VEVENT BEGIN:VEVENT UID:1966@iecl.univ-lorraine.fr DTSTART;TZID=Europe/Paris:20220701T110000 DTEND;TZID=Europe/Paris:20220701T120000 DTSTAMP:20220620T174802Z URL:https://iecl.univ-lorraine.fr/events/perrine-lacroix/ SUMMARY:Penalty functions calibrations for high dimensional Gaussian linear regression DESCRIPTION: \n Probabilités et Statistique\n \n Perrine Lacroix (U niversité Paris-Saclay) : In a high-dimensional context\, a classical app roach to estimate the unknown parameter in a Gaussian linear regression co nsists in minimizing the penalized least-squares criterion. To get an orac le inequality on the predictive risk\, the model selection theory develope d by L. Birgé and P. Massart (2001) gives some penalty shapes known up to multiplicative constants. First\, controlling the prediction quality is n ot sufficient to limit the selection of inactive variables. Thus\, under a simplified model\, we propose a theoretical study of the FDR criterion on to the model selection procedure. A data-dependent heuristics is then impl emented to calibrate one of the penalty constants allowing to avoid select ing inactive variables while maintaining a high prediction quality. Second ly\, under the general model\, we propose an algorithm that extends the sl ope heuristics principle to calibrate the last two constants while maintai ning a reasonnable control of the predictive risk. CATEGORIES:Probabilités et Statistique LOCATION:Salle de conférences Nancy\, IECL\, Nancy\, France X-APPLE-STRUCTURED-LOCATION;VALUE=URI;X-ADDRESS=IECL\, Nancy\, France;X-APP LE-RADIUS=100;X-TITLE=Salle de conférences Nancy:geo:0,0 END:VEVENT BEGIN:VEVENT UID:2104@iecl.univ-lorraine.fr DTSTART;TZID=Europe/Paris:20221104T110000 DTEND;TZID=Europe/Paris:20221104T120000 DTSTAMP:20221027T143034Z URL:https://iecl.univ-lorraine.fr/events/mathilde-gaillard/ SUMMARY:Test statistique pour l'entropie de Shannon [GdT BIGS] DESCRIPTION: \n Probabilités et Statistique\n \n Mathilde Gaillard (Université Lyon 1) : CATEGORIES:Probabilités et Statistique LOCATION:Salle de conférences Nancy\, IECL\, Nancy\, France X-APPLE-STRUCTURED-LOCATION;VALUE=URI;X-ADDRESS=IECL\, Nancy\, France;X-APP LE-RADIUS=100;X-TITLE=Salle de conférences Nancy:geo:0,0 END:VEVENT BEGIN:VEVENT UID:2112@iecl.univ-lorraine.fr DTSTART;TZID=Europe/Paris:20221118T110000 DTEND;TZID=Europe/Paris:20221118T120000 DTSTAMP:20221114T222607Z URL:https://iecl.univ-lorraine.fr/events/seminaire-bigs/ SUMMARY:Séminaire BIGS DESCRIPTION: \n Probabilités et Statistique\n \n : CATEGORIES:Probabilités et Statistique LOCATION:Salle de conférences Nancy\, IECL\, Nancy\, France X-APPLE-STRUCTURED-LOCATION;VALUE=URI;X-ADDRESS=IECL\, Nancy\, France;X-APP LE-RADIUS=100;X-TITLE=Salle de conférences Nancy:geo:0,0 END:VEVENT BEGIN:VEVENT UID:2335@iecl.univ-lorraine.fr DTSTART;TZID=Europe/Paris:20231020T110000 DTEND;TZID=Europe/Paris:20231020T120000 DTSTAMP:20231012T204831Z URL:https://iecl.univ-lorraine.fr/events/apolline-louvet/ SUMMARY:Modelling populations expanding in a spatial continuum DESCRIPTION: \n Probabilités et Statistique\n \n Apolline Louvet (U niversity of Bath) : Spatial Λ-Fleming Viot processes\, or SLFVs\, are a family of models describing the evolution of genetic diversity for populat ions living in a spatial continuum. Their main characteristic is their "ev ent-based" reproduction dynamics\, which makes it possible to control loca l reproduction rates. Therefore\, they are particularly suited to the stud y of populations living in unbounded regions.\nIn this talk\, I will intro duce a family of SLFV processes\, called k-parent SLFVs\, which were devel oped to model spatially expanding populations. I will present what is curr ently known of the growth properties of the occupied area in k-parent SLFV s. Of particular interest is the growth dynamics of the limiting process w hen k→ +∞\, which is reminiscent of continuous first-passage percolati on but has distinct growth features. I will conclude with preliminary resu lts obtained on the genetic diversity at the front edge.\nBased on a joint work with Amandine Véber (MAP5\, Univ. Paris Cité) and Matt Roberts (Un iv. Bath). CATEGORIES:Probabilités et Statistique LOCATION:Salle de conférences Nancy\, IECL\, Nancy\, France X-APPLE-STRUCTURED-LOCATION;VALUE=URI;X-ADDRESS=IECL\, Nancy\, France;X-APP LE-RADIUS=100;X-TITLE=Salle de conférences Nancy:geo:0,0 END:VEVENT BEGIN:VEVENT UID:2768@iecl.univ-lorraine.fr DTSTART;TZID=Europe/Paris:20250527T103000 DTEND;TZID=Europe/Paris:20250527T113000 DTSTAMP:20250520T063606Z URL:https://iecl.univ-lorraine.fr/events/low-dimensional-learning-for-syst em-monitoring-and-control-using-high-dimensional-data-streams/ SUMMARY:Low-Dimensional Learning for System Monitoring and Control Using Hi gh-Dimensional Data Streams DESCRIPTION: \n Probabilités et Statistique\n \n Kamran Paynabar : Industry 4.0\, along with advancements in sensing and communication\, has enabled the large-scale collection of streaming data\, creating unique opp ortunities for system modeling and monitoring. However\, the complex natur e of these datasets presents significant analytical challenges. Common cha racteristics include high variety\, high dimensionality\, high velocity\, and intricate spatial and temporal structures. In this talk\, I will prese nt our research on developing efficient methods for system monitoring and control using high-dimensional data streams. The proposed frameworks lever age low-dimensional representations of high-dimensional data and can accom modate various data types\, including profiles\, images\, videos\, point c louds\, and manifolds. These methods have been validated across multiple a pplication domains\, such as additive manufacturing\, automotive\, forging and rolling\, and environmental monitoring.\nBio: Kamran Paynabar is the Fouts Family Chair and Professor in the H. Milton Stewart School of Indus trial and Systems Engineering at Georgia Tech. His research focuses on met hodological and applied aspects of statistical machine learning for engine ering applications\, supported by NSF\, NIH\, DOE\, and industry leaders s uch as Samsung\, Ford\, and Boeing. He has received best paper awards from INFORMS\, IISE\, ASA\, and POMS\, along with multiple teaching honors. He is Editor-Elect of Technometrics and former Department Editor for IISE Transactions. A Fellow of ASQ and elected ISI member\, he also co-founded ProcessMiner\, an AI-driven manufacturing analytics company. CATEGORIES:Probabilités et Statistique LOCATION:Salle Döblin\, IECL\, Nancy\, France X-APPLE-STRUCTURED-LOCATION;VALUE=URI;X-ADDRESS=IECL\, Nancy\, France;X-APP LE-RADIUS=100;X-TITLE=Salle Döblin:geo:0,0 END:VEVENT BEGIN:VTIMEZONE TZID:Europe/Paris X-LIC-LOCATION:Europe/Paris BEGIN:DAYLIGHT DTSTART:20210328T030000 TZOFFSETFROM:+0100 TZOFFSETTO:+0200 TZNAME:CEST END:DAYLIGHT BEGIN:STANDARD DTSTART:20211031T020000 TZOFFSETFROM:+0200 TZOFFSETTO:+0100 TZNAME:CET END:STANDARD BEGIN:DAYLIGHT DTSTART:20220327T030000 TZOFFSETFROM:+0100 TZOFFSETTO:+0200 TZNAME:CEST END:DAYLIGHT BEGIN:STANDARD DTSTART:20221030T020000 TZOFFSETFROM:+0200 TZOFFSETTO:+0100 TZNAME:CET END:STANDARD BEGIN:DAYLIGHT DTSTART:20230326T030000 TZOFFSETFROM:+0100 TZOFFSETTO:+0200 TZNAME:CEST END:DAYLIGHT BEGIN:STANDARD DTSTART:20231029T020000 TZOFFSETFROM:+0200 TZOFFSETTO:+0100 TZNAME:CET END:STANDARD BEGIN:DAYLIGHT DTSTART:20240331T030000 TZOFFSETFROM:+0100 TZOFFSETTO:+0200 TZNAME:CEST END:DAYLIGHT BEGIN:STANDARD DTSTART:20241027T020000 TZOFFSETFROM:+0200 TZOFFSETTO:+0100 TZNAME:CET END:STANDARD BEGIN:DAYLIGHT DTSTART:20250330T030000 TZOFFSETFROM:+0100 TZOFFSETTO:+0200 TZNAME:CEST END:DAYLIGHT END:VTIMEZONE END:VCALENDAR