Une extension récurrente des processus de branchement avec compétition en temps et espace continu, au-delà du point infini, est construite et étudiée. L’approche repose sur l’utilisation de relations de dualité pour les semi-groupes, qui permettent de transférer certaines propriétés du
Motivé par l’étude d’arbres aléatoires conditionnés par leur nombre total de sommets et leur nombre de feuilles à la fois, je présenterai des résultats de convergence, après renormalisation, de longues excursions de marches aléatoires entières (à sauts ≥ -1) également
We consider a system of N interacting particles, described by SDEs driven by Poisson random measures, where the coefficients depend on the empirical measure of the system. Every particle jumps with a rate depending on its position. When this happens,
L’exposé portera sur un travail effectué en collaboration avec Reda Chhaibi. Je présenterai une version sur des cônes symétriques d’un processus de Matsumoto-Yor matriciel introduit par Brian Rider et Benedek Valkó. Nos processus apparaissent comme limites de chaînes de Markov
In this talk, we will present a new statistical principle that combines the most desirable aspects of both parameter inference and density estimation. This leads us to the PrO posterior, which expresses uncertainty as a consequence of predictive ability. Doing so leads to
Je présenterai une approche visant à compresser la mesure empirique tout en préservant les vitesses de convergence dans le contexte des méthodes à noyau. Je donnerai d’abord une vue d’ensemble de l’idée, avant de démontrer deux résultats clés.
Avec l'accroissement drastique du volume de données, le sous-échantillonnage est devenu une pratique courante en apprentissage statistique. Sélectionnant un sous-groupe d'individus sur lequel le classifieur (ou le régresseur) va être entraîné, le sous-échantillonnage vise à réduire le coût et le
Les forêts aléatoires (Breiman, 2001) font partie des algorithmes d'apprentissage automatique les plus utilisés pour résoudre des problèmes d'apprentissage supervisé. Elles agrègent les prédictions de plusieurs arbres de décision, dont la construction présente une dépendance complexe en les données d’apprentissage.
Je présenterai une approche visant à compresser la mesure empirique tout en préservant les vitesses de convergence dans le contexte des méthodes à noyau. Je donnerai d’abord une vue d’ensemble de l’idée, avant de démontrer deux résultats clés.
On cherche à déterminer si les observations d’un échantillon sont issues de réalisations de variables aléatoires de même loi de type Pareto, c’est-à-dire dont la queue se comporte comme une puissance négative fois une fonction à variations lentes. Pour cela,
