Séminaire Probabilités et Statistique

À partir d’une suite de mouvements browniens bilatères indépendants, Kiss et Solecki ont construit un continuum (un espace métrique connexe, compact et non vide) aléatoire. Ils ont montré que ce continuum est indécomposable p.s. Avec Nicolas Curien, nous avons montré qu’il n’est pas héréditairement indécomposable p.s., et que ce n’est donc pas le pseudo-arc.

Dans cet exposé, j’expliquerai l’ensemble des termes précédents, la construction de ce continuum aléatoire et je vous expliquerai pourquoi il est indécomposable, mais pas héréditairement indécomposable.

Je m’intéresserai à un modèle de partitions d’entiers aléatoires qui est une déformation à un paramètre de la très classique mesure de Plancherel du groupe symétrique. Cette déformation, qui a une définition combinatoire explicite, a sa source dans la théorie des nombres de Hurwitz, qui comptent certaines familles de cartes plongées sur des surfaces. La déformation que nous étudions intervient naturellement lorsque l’on s’intéresse à des nombres de Hurwitz (ou des cartes) de très grand genre, un problème qui se formule également dans le langage de la marche aléatoire sur le groupe des permutations engendré par les transpositions. Nous exhibons un phénomène de forme limite d’un type nouveau pour ces partitions, qui a des conséquences pour l’énumération des cartes et pour la marche. La démonstration utilise une méthode dite « entropique » qui mélange un peu de calcul des variations à beaucoup d’estimées combinatoires.
L’exposé sera introductif, sans pré-requis, avec de jolies images.
Travail en commun avec Baptiste Louf et Harriet Walsh.

This project has received funding from the European Research Council (ERC) under the European Union’s Horizon 2020 research and innovation programme (grant agreement No. ERC-2016-STG 716083 “CombiTop”).

En informatique, les expressions aléatoires sont couramment utilisées pour analyser des algorithmes, que ce soit pour étudier leur complexité en moyenne, ou pour générer des benchmarks pour les tester expérimentalement. Généralement, ces approches considèrent les expressions en entrée comme des arbres purement syntaxiques, et font abstraction de leur sémantique, c’est-à-dire de l’objet mathématique représenté par l’expression.

Pourtant, deux expressions différentes peuvent être équivalentes (par exemple « 0*(x+y) » et « 0 » représentent la même expression, l’expression nulle). Ces phénomènes de redondances remettent-ils en question la pertinence de ces analyses et ces tests qui ne tiennent pas compte de la sémantique des expressions ?

Je présenterai comment la distribution uniforme sur les arbres syntaxiques d’expressions devient complètement dégénérée lorsqu’on commence à prendre en compte leur sémantique, dans le cas très simple mais courant où il existe un élément absorbant. Si le temps le permet, j’expliquerai pourquoi la distribution ABR laisse plus d’espoirs.

Il s’agit d’un travail effectué pendant ma thèse, en commun avec Cyril Nicaud et Pablo Rotondo.

Dans cet exposé je présenterai un travail en collaboration avec Oriane Blondel et Cristina Toninelli où nous étudions le modèle FA1f en dimension 1. Il s’agit d’un système de particules en interaction (plus précisément un modèle issu de la physique statistique dit modèle cinétiquement contraint où chaque site met à jour la valeur de son spin si une certaine contrainte locale est satisfaite, ici c’est le fait d’avoir au moins un 0 dans ses voisins). Dans ce travail, nous prouvons, sous certaines conditions, une vitesse linéaire, et des fluctuations gaussiennes, pour le front (i.e. le 0 le plus à gauche lorsque l’on part d’une configuration initiale avec que des 1 à gauche de l’origine et un 0 en l’origine). Ce talk sera l’occasion de présenter les techniques classiques utilisées dans les modèles de croissance aléatoire tels que le processus de contact et de parler de méthode de couplage permettant de passer d’un modèle bien connu a un modèle plus complexe (en particulier non attractif).

Après avoir présenté les défis numériques actuels pour atteindre des tailles de réseaux de l’ordre du cerveau humain, j’expliquerai pourquoi les processus de Hawkes peuvent être un bon modèle pour passer à l’échelle. J’expliquerai comment les algorithmes classiques peuvent être renouvelés pour y arriver. Une des approches les plus innovantes est basée sur un résultat probabiliste fort : la décomposition de Kalikow, qui permet de tirer au hasard les dépendances spatiales et dans le passé et que nous avons redéfini en temps continu. Elle permet en particulier de simuler un neurone immergé dans un réseau infini sans avoir à simuler le réseau infini. Ce travail est effectué en collaboration avec Eva Löcherbach (mathématicienne, Paris I), Alexandre Muzy (informaticien, Université Côte d’Azur) ainsi que nos étudiants : Cyrille Mascart, Tien Cuong Phi et Paul Gresland.

Dans une population homogène, le nombre de reproduction de base, noté R₀, est défini comme le nombre moyen de cas directement générés par une personne contagieuse quand tous les autres individus sont sains et sensibles à l’infection. Ce nombre joue un rôle fondamental en épidémiologie puiqu’il constitue un seuil qui détermine si l’épidémie va finir par disparaître (cas R₀ ≤ 1) ou, au contraire, devenir endémique (cas R₀ > 1).
Imaginons désormais qu’une proportion 1 − 1/R₀ de la population est immunisée (en étant vaccinée par exemple). Le nombre moyen d’individus qu’infecte la personne contagieuse est alors divisé par R₀. On en déduit que le nouveau nombre de reproduction, qualifié d’effectif dans ce cas, est égal à 1 : l’épidémie finira par disparaître grâce au phénomène d’immunité grégaire. Le nombre 1 − 1/R₀, appelé seuil d’immunité de groupe, est souvent utilisé pour evaluer l’efficacité d’une politique de vaccination par les autorités sanitaires.
Quand les contacts dans la population ne sont plus homogènes, le nombre de reproduction de base est défini comme le nombre de cas directement générés par une personne infectée typique quand tous les autres individus sont sains et sensibles à l’infection. Le seuil d’immunité collective 1 − 1/R₀ reste encore valide quand on vaccine la population uniformément. Il est cependant naturel de se demander si l’on ne pourrait pas abaisser ce seuil en ciblant certains groupes dans la population.
L’objectif de cette présentation est de proposer une formalisation mathématique de ce problème. Pour modéliser les contacts dans la population, j’utiliserai des objets issus de la théorie des limites des grands graphes. Dans la première partie de l’exposé, je présenterai un modèle hétérogène de type SIS (Susceptible → Infecté → Susceptible) avec vaccination que nous avons introduit récemment. Ce modèle servira de base pour définir les stratégies optimales de vaccination, montrer leur existence et étudier leurs propriétés de stabilité. Enfin, je donnerai une série d’exemples où les solutions du problème de vaccination optimale peuvent être exprimées de manière analytique.

→ Version PDF avec références

La percolation consiste à partir d’un graphe raisonnable G, d’un paramètre p dans [0,1] et à conserver chaque arête indépendamment avec probabilité p, effaçant toutes les autres. On s’intéresse alors aux composantes connexes du graphe ainsi formé (ces composantes sont appelées amas ou clusters). Par exemple, existe-t-il un cluster infini ?

Il existe un paramètre critique p_c, qui dépend du graphe, tel que :
– pour tout p < p_c, il n’y ait presque sûrement aucun cluster infini,
– pour tout p > p_c, il existe presque sûrement (au moins) un cluster infini.

Le régime sous-critique (p < p_c) est bien compris, et ce pour des graphes généraux. Le régime critique (p = p_c) est considérablement plus difficile : il fait l’objet de grands théorèmes et conjectures. C’est au régime restant, le surcritique (p > p_c), que sera dédié cet exposé. Ce régime est plus difficile que le sous-critique mais moins ardu que le régime critique.

Contrairement au régime sous-critique, le régime surcritique est, en un certain sens qu’on précisera, sensible à la géométrie du graphe de départ. Il est donc raisonnable de se restreindre à certaines classes de graphes définies par des hypothèses géométriques. On verra qu’en se restreignant aux graphes dits « à croissance polynomiale », il est possible d’obtenir une compréhension fine du régime surcritique. Cela permet de retrouver par des techniques nouvelles des résultats déjà connus sur le réseau cubique (Grimmett–Marstrand…), ainsi que de couvrir toute une gamme de graphes intéressants (discrétisations anisotropes de Z^d, graphes de Cayley de groupes nilpotents).

Cet exposé porte sur des travaux réalisés en collaboration avec Daniel Contreras et Vincent Tassion.

Ces dernières années, les méthodes de reconstruction avec a priori de parcimonie (LASSO, Basis Pursuit), très utilisées en statistiques comme en traitement d’images, ont été adaptées pour opérer sur un domaine continu (Beurling Minimal extrapolation, Beurling-LASSO…): on reconstruit alors une somme de masses de Dirac plutôt qu’un vecteur parcimonieux.
Le fait de travailler sur un domaine continu apporte de nombreux avantages: absence de grille de reconstruction et des artefacts de discrétisation associés, analyse plus simple, et algorithmes tirant parti de la structure lisse du problème.

Dans cet exposé, nous nous proposons d’étendre cette démarche à la reconstruction d’objets plus complexes: plutôt que des sources ponctuelles, on veut reconstruire des images constantes par morceaux à l’aide de la régularisation par variation totale du gradient (comme dans les travaux de Rudin, Osher et Fatemi).
Nous montrons qu’en étudiant la boule unité associée, on peut décrire la structure des minimiseurs et définir un algorithme de type Frank-Wolfe « sans grille » pour la résolution du problème.
L’avantage d’une telle méthode est la préservation des bords et l’isotropie des solutions.

Il s’agit d’un travail commun avec Romain Petit et Yohann De Castro.

Accurate spatiotemporal modeling of conditions leading to moderate and large wildfires provides better understanding of mechanisms driving fire-prone ecosystems and improves risk management. We here develop a joint model for the occurrence intensity and the wildfire size distribution by combining extreme-value theory and point processes within a novel Bayesian hierarchical model, and use it to study daily summer wildfire data for the French Mediterranean basin during 1995-2018. The occurrence component models wildfire ignitions as a spatiotemporal log-Gaussian Cox process. Burnt areas are numerical marks attached to points and are considered as extreme if they exceed a high threshold. The size component is a two-component mixture varying in space and time that jointly models moderate and extreme fires. We capture non-linear influence of covariates (Fire Weather Index, forest cover) through component-specific smooth functions, which may vary with season. We propose estimating shared random effects between model components to reveal and interpret common drivers of different aspects of wildfire activity. This leads to increased parsimony and reduced estimation uncertainty with better predictions. Fast approximate (but accurate) Bayesian estimation is carried out in the framework of the integrated nested Laplace approximation. Our methodology provides a holistic approach to explaining and predicting the drivers of wildfire activity and associated uncertainties.

This talk aims to incorporate two subjects for developing a framework for studying the long-time behavior solution of singular delay equations. Singular delay equations fail to induce the flow property. Accordingly, for a long time, many people have believed it is not possible to apply the idea of random dynamical systems to this family of equations.
In this talk, we claim, is possible. The main trick is to regard the solution in the language of the Rough path and then construct the flow property in a bundle-like family of Banach spaces. The main challenge here is to prove the Multiplicative Ergodic Throem in this new framework. After proving this crucial theorem, we can generate the Lyapunov exponents. These exponents can be regarded as a generalization of eigenvalues. We then apply these theorems to prove the invariant manifolds in our setting. The main tools here are the rough path theory and random dynamical systems.
This talk is based on my doctoral thesis. I recently have defended my thesis in February.