Séminaire Probabilités et Statistique

We develop a statistical test on the determinant of the diffusion coefficient in a 1 or 2-dimensional stochastic differential equations from discrete observations on a fixed time interval [0,T] sampled with a fixed time step.
We propose a test statistic based on increments of the process which guarantees the control of the level of the test in a non asymptotic setting. In dimension 1, the test density is known explicitly even when the drift is estimated. We construct the test and give conditions under which the Type I and Type II errors can be controlled. In dimension 2, the test statistic has not an explicit density but upper and lower bounds are provided. We then give conditions under which the Type I and Type II errors of the test procedure can be controlled. A numerical study illustrates the properties of the tests for stochastic processes with known or unknown drifts.

Dans ce travail, nous nous intéressons à des observations associées à une localisation spatiale (généralement une position géographique) et nous cherchons à identifier des agrégats spatiaux, i.e. des zones où les observations ont un comportement atypique. Pour cela, nous utilisons des méthodes de balayage spatial.
Après avoir expliqué comment ces méthodes fonctionnent lorsque les observations sont réelles, nous introduisons des statistiques conçues spécifiquement pour le cas multivarié, puis pour le cas fonctionnel.
Ces méthodes sont appliquées sur des jeux de données environnementaux (concentration de métaux polluants) et socio-économiques (taux de chômage).

We consider the problem of estimating the Lévy density of a pure jump Lévy process, possibly of infinite variation, from the high frequency observation of one trajectory. To directly construct an estimator of the Lévy density, we use a compound Poisson approximation and we build a linear wavelet estimator. Its performance is studied in terms of $L_p$ loss functions, $p\geq1$, over Besov balls. To show that the resulting rates are minimax-optimal for a large class of Lévy processes, we propose new non-asymptotic bounds of the cumulative distribution function of Lévy processes with Lévy density bounded from above by the density of an alpha-stable type Lévy process in a neighbourhood of the origin. It is a joint work with Céline Duval.

Nous nous intéressons au comportement en temps long des processus de Markov obtenus comme solutions optimales de problèmes d’optimisation stochastique, comme par exemple des problèmes de contrôle stochastique ou des problèmes de transport optimal stochastique. Dans ce contexte, le générateur du processus n’est pas connu en forme explicite et depend de la solution d’une EDP non linéaire, typiquement une équation d’Hamilton-Jacobi-Bellman. Le but de cet exposé est d’expliquer comment on peut définir une notion de mesure invariante, qu’on appelle turnpike dans ce cadre, et d’illustrer les idées de base d’une technique par couplage qui permet d’obtenir des résultats de convergence exponentielle vers le turnpike. Dans un deuxième temps, la question der comment éteindre ces notions et résultats au contrôle McKean-Vlasov sera aussi abordée.

General Bayesian Networks (GBNs) extend Bayesian networks to the modeling of continuous links in the data.
I will demonstrate the implementation of the GBNs in the context of risk monitoring for Legionella infection from the use of reclaimed wastewater to irrigate agricultural plots.
I will also discuss the use of these networks to evaluate hypothetical scenarios of how failures of the system propagate in the model.

Hawkes process was introduced by Hawkes in 1971 and are widely used in many applications (earthquakes, neurons, social network, finance, etc.). This jump process has an intensity which depends on the past. Linear « self-exciting » Hawkes process has been particularly studied and some asymptotic results are well-known.
During my PhD, with Manon Costa and Patrick Cattiaux, I considered non-linear Hawkes processes, which can model self-inhibition and self-excitation. We proved asymptotic properties (law of large numbers, CLT, large deviations), by considering a new point of view for this process: the renewal structure of some Hawkes process leads to a comparison with cumulative processes.
In this talk, I’ll introduce Hawkes processes and cumulative processes. By exhibiting their link, I’ll give an idea of the approach we use to prove asymptotic properties.

During this talk, we will review some recent advances in the multiplicative coalescent theory and its link to random graphs. The multiplicative coalescent dynamic naturally emerges when one regards the evolution of the connected components in a graph-valued Markov process. We will mainly focus on the breadth-first walk introduced by V. Limic (2019), a Lévy-type process encoding a random forest whose components (trees) are a representation of the multiplicative coalescent. We will then focus on the extension of this construction to account for the surplus edges data, in addition to the spanning edge data. We will present two different graph representations of the multiplicative coalescent, with different advantages and drawbacks, that are discussed in detail. In particular, we will show how to recover a realization of the random graph at a fixed time, and also as a process when the time parameter evolves. We will also discuss the use of these results to understand the scaling limits of near-critical random graphs in the domain of attraction of general eternal multiplicative coalescent.

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).