Probabilities and Statistic seminar

Dans cet exposé, je présenterai un nouveau modèle d’arbres aléatoires qui généralise les arbres de Bienaymé-Galton-Watson (BGW), en autorisant des corrélations spatiales entre les morts des individus, à travers des “catastrophes locales”. En particulier, contrairement aux arbres de BGW, ce modèle ne satisfait plus la propriété de branchement, ce qui rend leur analyse beaucoup plus compliquée. On peut toutefois montrer que, dans le cas où les lois de reproduction et de mort ont des moments d’ordre 3 finis, une forêt de tels arbres a la même limite d’échelle qu’une forêt d’arbres de BGW critiques à variance finie, c’est-à-dire la forêt brownienne.

Ces résultats sont issus d’un travail en collaboration avec Jérôme Casse et Nicolas Curien.

We consider the question of how many edge-disjoint near-maximal cliques may be found in the dense Erdős-Rényi random graph $G(n,p)$. Recently Acan and Kahn showed that the largest such family contains only $O(n^2/(\log{n})^3)$ cliques, with high probability, which disproved a conjecture of Alon and Spencer. We prove the corresponding lower bound, $\Omega(n^2/(\log{n})^3)$, by considering a random graph process which sequentially selects and deletes near-maximal cliques. The main tool in our analysis is the so-called Differential Equation Method. This is a joint work with Simon Griffiths.

Exposé à Metz. Titre et résumé à venir.

Plus d’informations ici.

Programme disponible ici.

Le but de cet exposé sera d’étudier le comportement limite d’arbres de Bienaymé-Galton-Watson conditionnés à avoir un grand nombre de sommets, dont un nombre fixé de feuilles ou de nœuds internes. Dans le premier cas, nous obtiendrons un résultat universel quelle que soit la loi de reproduction. En revanche, le conditionnement par le nombre de sommets et de noeuds internes donnera lieu à une diversité de comportements asymptotiques selon les propriétés de la loi de reproduction, allant de phénomènes de condensation à des structures d’arbres plus allongées.

Stochastic partial differential equations (SPDEs) are a major subject of current research in probability and analysis, with rich methodologies for studying existence and regularity. At the same time, SPDEs are increasingly used as statistical models for spatially and temporally structured data, where inference requires learning unknown parameters or functions from observations. In this talk, we consider Bayesian inference for the reaction function in a stochastic reaction-diffusion equation, based on a single solution trajectory observed continuously in space over a fixed time interval. We place a Gaussian process prior on the reaction function and derive posterior contraction rates in a novel asymptotic regime in which the spatial domain grows while the observation horizon remains fixed. In this setting, the SPDE solution becomes spatially ergodic and converges to a stationary process, which allows us to prove concentration inequalities for spatial averages of the solution. The proofs combine tools from Malliavin calculus – most notably the Clark–Ocone formula – with sharp bounds on the marginal densities of the SPDE.

The aim of this presentation is to show different results obtained in the field of semi-Markov processes focusing on risk/reliability indicators and related statistical inference aspects. The first part concerns discrete-time semi-Markov processes which are defined in a finite state space. Theoretical results are obtained in terms of evaluation and statistical estimation of risk indicators such as the mean time to failure. The asymptotic behavior of the empirical estimators is studied in the case of one single (large) trajectory. The results are illustrated on both real and simulated wind data. The second part of the presentation concerns partially observed semi-Markov chains such as the hidden Markov renewal and the hidden semi-Markov chains. Statistical estimation results are presented for reliability indicators such as the failure occurrence rate. In the third part, we present bootstrap estimators of risk indicators when the state space is discrete along with posterior concentration rates of the kernel density when the state space is continuous.

(Exposé en français avec des diapositives en anglais.)

Les structures de régularités permettent de construire des théories de solutions afin de résoudre des équations aux dérivées partielles stochastiques (EDPs).
Après une introduction aux structures de régularité, nous verrons qu’il est possible de les interpréter dans un cadre catégorique via la théorie des espèces combinatoires.
Nous verrons ensuite deux applications de ce point de vue, tout d’abord un théorème de Y. Bruned et V. Dotsenko, puis un préprint récent de Y. Bruned et P. Laubie.

Nous discuterons de la limite de faible intensité d’une mosaïque de Poisson-Voronoï, alias « ideal Poisson-Voronoi tessellation » (IPVT). Dans l’espace hyperbolique de dimension d, une simple description poissonienne de la cellule qui contient l’origine (cellule zéro) permet d’étudier des propriétés fines des tuiles de l’IPVT. Cette description poissonienne de l’IPVT reste simple dans d’autres cas, tels que le produit cartésien de plans hyperboliques.

Exposé basé sur un travail en collaboration avec Nicolas Curien, Nathanaël Enriquez, Russell Lyons et Meltem Ünel (à paraître sur Ann. Probab.), et sur 2412.00822.

Avec des réalisations physiques de la cellule zéro de l’IPVT de l’espace hyperbolique tridimensionnel dans le modèle de la boule de Poincaré (« bijou »).

The study of combinatoric properties of tilings on lattice models has a long history of interactions with both computability (e.g. the undecidability of the domino problem) and statistical physics (e.g. the Peierls argument), but the joining of those two interfaces is relatively recent. Notably, the question “chaotic temperature dependence” originates from the spin-glass literature, and has been active for the last two decades.

In this context, chaoticity can be summarised as the fact that no converging behaviour can occur in a given model as its temperature goes to 0. First formally established for an infinite spin alphabet, this property was later refined using a finite alphabet with long-range 1D interactions, and then finite-range interactions in higher dimensions.

In this talk, I will notably focus on how the simulation of Turing machines within tilings has played a key role in this evolution, up to and including a realisation result on the zero-temperature limit accumulation sets of chaotic models.

(L’exposé sera en français.)

Cet exposé porte sur les algorithmes stochastiques pour le traitement séquentiel des données. Après un rappel des techniques classiques d’approximation stochastique, je présenterai des contributions récentes concernant le développement et l’analyse d’algorithmes avancés tels que Full AdaGrad et les méthodes de Newton stochastiques. Les applications incluent la régression en ligne, l’estimation de la médiane géométrique et des cadres plus généraux. Nous discuterons des garanties théoriques, des propriétés de convergence et des expériences numériques.

Wei Lu est maître de conférences à la FST à Nancy dans notre équipe depuis le 1er septembre.