Probabilities and Statistic seminar

Plus d’informations ici.

We study the optimal transport problem on the real line with the cost given by the distance, a setting in which solutions (called optimal transport plans) are typically non-unique. The first part of the talk presents a decomposition theorem: every optimal transport plan admits a unique decomposition into components, each acting on a specific region where the mass moves forward, moves backward, or remains stationary. Building on this structure, the second part investigates the behaviour of an entropically regularized version of the problem as the regularization parameter tends to zero. A natural candidate for the limit is constructed from our decomposition together with a Strassen-type theorem for a strengthened stochastic order. When the source and target distributions are sufficiently singular, the entropic minimizers converge to this plan. In general, all limit points satisfy a structural property known as weak multiplicativity.

Single-cell data yield profound insight into the complex nature of molecular feature distributions. However, they also pose statistical analysis challenges. A key challenge is the intricate geometry of these distributions, which requires non-linear analysis methods. We propose a kernel-based framework for comparing conditions in single-cell experiments that allows non-linear comparisons of different cell populations. In this talk, I will explain how embedding the data in an infinite-dimensional reproducing kernel Hilbert space (RKHS) facilitates non-linear operations on the data via linear operations in the feature space. I will present a linear model in the RKHS and introduce a truncated kernel Hotelling-Lawley statistic with an associated kernel trick. This statistic has been shown to have an asymptotic chi-squared distribution, which allows to quantify the significance of the test results. The functionality and flexibility of the proposed approach will be demonstrated on scRNA-Seq data obtained in the context of cerebral arteries profiling. The goal of this analysis is to gain insight into the appearance of intracranial aneurysms.

Exposé à Metz. Titre et résumé à venir.

Exposé à Metz. Titre et résumé à venir.

Le Processus de saut renforcé par sommet (VRJP en raison de son acronyme anglais) est un processus aléatoire en temps continu auto-renforcé défini sur un graphe : plus il passe par un sommet, plus il est probable qu’il y revienne à l’avenir. Depuis les travaux de Sabot et Tarrès, on sait que le VRJP peut être vu comme un processus Markovien en environnement aléatoire. Cet environnement est caractérisé par un certain champ aléatoire U qui, étonnamment, était déjà connu par les physiciens en tant que modèle sigma super-symétrique H^{(2|2)}, un objet important en physique quantique. Par un changement de variable, on peut ramener l’étude du champ U à celle d’un autre champ beta. Ce champ beta permet de définir un opérateur de Schrödinger aléatoire H dont les propriétés sont reliées au VRJP. H est notamment inversible et son inverse G permet de retrouver l’environnement du VRJP. Dans cet exposé, nous expliquerons ce cheminement allant du VRJP vers les champs aléatoires et nous expliquerons les résultats connus sur ces champs et sur le VRJP. Pour finir, nous parlerons d’un résultat plus récent établissant la limite d’échelle de G sur le cercle. Cela permet de définir un opérateur de Schrödinger aléatoire continu analogue à H sur le cercle.

In the study of singular SPDEs, it has been a challenging problem to obtain a simple proof of a general probabilistic convergence result (BPHZ theorem). Differently from Chandra and Hairer’s Feynman diagram approach, Linares, Otto, Tempelmayr, and Tsatsoulis recently proposed an inductive proof based on the spectral gap inequality by using their multiindex language. Inspired by their approach, Hairer and Steele also obtained an inductive proof by using the regularity structure language. In this talk, we introduce an extension of the regularity structure including integrability exponents and provide a simpler proof of BPHZ theorem.
This talk is based on a joint work with Ismael Bailleul (Univ Brest).

Dormancy is a complex trait that has evolved independently many times across the tree of life. In particular many micro-organisms can enter a reversible state of vanishing metabolic activity. The corresponding dormancy periods can range from a few hours to potentially thousands of years. Also, the dormancy transitioning mechanisms are highly diverse, including spontaneous dormancy initiation and resuscitation, responsive switching due to environmental cues, and competition-induced dormancy initiation. In general, dormancy allows a population to maintain a reservoir of genotypic and phenotypic diversity (that is, a seed bank) that can contribute to its longterm survival and coexistence. In this talk, we review some of the probabilistic structures that emerge from stochastic individual based models involving dormancy.

Recent works in time-frequency analysis proposed to switch the focus from the maxima of the spectrogram toward its zeros, which form a random point pattern with a very stable structure. Several signal processing tasks, such as component disentanglement and signal detection procedures, have already been renewed by using modern spatial statistics onthe pattern of zeros. Tough, they require cautious choice of both the discretization strategy and the observation window in the time-frequency plane. To overcome these limitations, we propose a generalized time-frequency representation: the Kravchuk transform, especially designed for discrete signals analysis, whose phase space is the unit sphere, particularly amenable to spatial statistics. We show that it has all desired properties for signal processing, among which covariance, invertibility and symmetry, and that the point process of the zeros of the Kravchuk transform of complex white Gaussian noise coincides with the zeros of the spherical Gaussian Analytic Function. Elaborating on this theorem, we finally develop a Monte Carlo envelope test procedure for signal detection based on the spatial statistics of the zeros of the Kravchuk spectrogram.

After reviewing the unorthodox path focusing on the zeros of the standard spectrogram and the associated theoretical results on the distribution of zeros in the case of white noise, I will introduce the Kravchuk transform and study the random point process of its zeros from a spatial statistics perspective. Then I will present the designed Monte Carlo envelop test, and illustrate its numerical performance in adversarial settings, with both low signal-to-noise ratio and small number of samples, and compare it to state-of-the-art zeros-based detection procedures.

Dans cet exposé, on s’intéressera à une marche aléatoire non markovienne, telle que la probabilité que la marche aille en un point donné est plus faible si elle est déjà passée souvent le long de l’arête entre la position initiale et la cible. Les modèles de ce type les plus étudiés sont ceux dans lesquels les arêtes sont non orientées. Cependant, en 2008 Tóth et Vető ont introduit une telle marche aléatoire avec auto-interactions pour laquelle les arêtes sont orientées, et découvert des propriétés très différentes de celles des modèles avec arêtes non orientées. Malgré l’intérêt d’un tel comportement, très peu de résultats ont été obtenus depuis sur ce modèle. On présentera de nouveaux théorèmes limites pour cette marche aléatoire.

Lors de ce séminaire je vais présenter différents modèles d’arbres binaires de recherche, un objet couramment utilisé en informatique pour étudier l’organisation optimale de données. Je vais commencer par définir plusieurs modèles d’arbres binaires de recherche, basés sur différents modèles de permutations (permutations uniformes, de Mallows et biaisées de record). Après ça, je vais expliquer quelques propriétés intéressantes de ces arbres, notamment comment ils peuvent être construits récursivement. Finalement, je vais conclure cette présentation en donnant des résultats concernant la hauteur de ces arbres et expliquer comment ces résultats peuvent être extraits des constructions précédemment introduites.

L’exposé s’intègrera à la masterclass M2

Dans cet exposé, nous étudions les conditions sous lesquelles la convergence du processus ponctuel des zéros de fonctions holomorphes aléatoire implique la convergence des fonctions holomorphes elles-mêmes. Nous montrons comment appliquer ce résultat au cas du polynome caractéristique de matrices aléatoires, et conjecturalement, à la fonction zeta de Riemann.

Joint work with Julien Chiquet and Stéphane Robin

Joint Species Abundance Models (JSDM) provide a general multivariate framework to study the joint abundances of all species from a community. JSDM account for both structuring factors (environmental characteristics or gradients, such as habitat type or nutrient availability) and potential interactions between the species (competition, mutualism, parasitism, etc.), which is instrumental in disentangling meaningful ecological interactions from mere statistical associations.

Modeling the dependency between the species is challenging because of the count-valued nature of abundance data and most JSDM rely on Gaussian latent layer to encode the dependencies between species in a covariance matrix. The multivariate Poisson-lognormal (PLN) model is one such model, which can be viewed as a multivariate mixed Poisson regression model. The inference of such models raises both statistical and computational issues, many of which were solved in recent contributions using variational techniques and convex optimization.

The PLN model turns out to be a versatile framework, within which a variety of analyses can be performed, including multivariate sample comparison, clustering of sites or samples, dimension reduction (ordination) for visualization purposes, or inference of interaction networks. We will presents the PLN framework and some variants and illustrate them on typical datasets. All the models and methods are implemented in the R package PLNmodels, available from cran.r-project.org.

We will introduce the setting of random dynamical systems with absorption, as for example induced by iterated function systems or stochastic differential equations on a bounded domain with killing at the boundary. We will show how to embed the process conditioned to never being absorbed, the Q-process, into the framework of random dynamical systems, allowing us to study multiplicative ergodic properties and the notion of Kolmogorov-Sinai entropy. Finally, we will elaborate on the relation between entropy and Lyapunov exponents for this setting.

La marche aléatoire de l’éléphant (ERW) est une marche aléatoire discrète qui a été introduite au début des années 2000 par deux physiciens afin d’étudier l’influence d’un paramètre de mémoire sur le comportement de la marche aléatoire. On commencera par introduire la marche aléatoire de l’éléphant en dimension 1 et sa généralisation à dimension d. On présentera ensuite plusieurs possibilités pour étudier et obtenir des résultats sur l’ERW, telles que l’approche martingale, lien avec les urnes de Polya ou encore les arbres aléatoires récursifs. En particulier, on expliquera comment l’utilisation des trois approches est nécessaire pour obtenir des informations sur la variable aléatoire limite qui apparaît dans le régime super-diffusif en dimension 1, et éventuellement en dimension d.