Probabilities and Statistic seminar

Planning, titres et résumés ici.

We define a wide class of Markovian load balancing queueing networks, including classic networks studied in the lively literature on the subject. Each network has identical single-server infinite-buffer queues and implements a load balancing policy to allocate each task at its arrival and possibly reallocate it at service completions. The purpose of the policy is to optimize server utilization under constraints such as limited information, real-time decision taking, and network topology. The queue length process is not necessarily exchangeable. The invariant law is in general not known even up to normalizing constant. We provide perfect simulation methods in view of Monte Carlo estimation of quantities of interest in equilibrium, for instance for performance evaluation. In this infinite multi-dimensional state space, we use an unusual preorder defining an order up to permutation of the coordinates, define a coupling in which networks in this class are dominated by the network with uniform routing, and implement dominated coupling from the past methods.

[The talk will be in French, but slides will be in English.]

(Exceptionnellement, le séminaire aura lieu à Metz et sera diffusé en visio en salle de conférence à Nancy.)

Les modèles d’urnes sont utilisés dans de nombreuses applications et sont un exemple fondamental de processus stochastiques de renforcement. En partant de ces modèles, nous nous intéresserons à plusieurs familles de systèmes (finis) de processus de renforcement. Différents résultats sur le comportement collectif en temps long seront présentés. La présence/absence de synchronisation sera discutée, ainsi que les vitesses de convergence en fonction de différents régimes de paramètres. Cet exposé se fonde sur des travaux en collaboration avec I. Crimaldi, P. Dai Pra, I. Minelli et M. Mirebrahimi.

Quasi-stationary distributions can be seen as the first eigenvector associated with the generator of the stochastic differential equation at hand, on a domain with Dirichlet boundary conditions (which corresponds to absorbing boundary conditions at the level of the underlying stochastic processes). Many results on the quasi-stationary distribution hold for non degenerate stochastic dynamics, whose associated generator is elliptic. The case of degenerate dynamics is less clear. In this work, together with T. Lelièvre and J. Reygner (Ecole des Ponts, France) we generalize well-known results on the probabilistic representation of solutions to parabolic equations on bounded domains to the so-called kinetic Fokker-Planck equation on bounded domains in positions, with absorbing boundary conditions. Furthermore, a Harnack inequality, as well as a maximum principle, is provided for solutions to this kinetic Fokker-Planck equation, as well as the existence of a smooth transition density for the associated absorbed Langevin dynamics. The continuity of this transition density at the boundary is studied as well as the compactness, in various functional spaces, of the associated semigroup. This work is a cornerstone to prove the consistency of some algorithms used to simulate metastable trajectories of the Langevin dynamics, for example the Parallel Replica algorithm.

Considérons la percolation de premier passage dans le réseau renormalisé Z^d/n pour d>=2 : à chaque arête e, on associe une capacité aléatoire c(e)>=0 de telle sorte que la famille (c(e))_e soit indépendante et identiquement distribuée selon une loi G. On peut interpréter cette capacité comme un débit maximal, i.e., la quantité maximale d’eau pouvant traverser l’arête par unité de temps. Considérons un domaine borné et connecté Ω de R^d et deux ensembles disjoints du bord de Ω : un part lequel l’eau peut entrer (la source) et un part lequel l’eau peut sortir (le puits). Nous nous intéressons au flot maximal : la quantité maximale d’eau pouvant entrer dans Ω par unité de temps. Un courant est une fonction sur les arêtes qui décrit la façon dont l’eau circule dans Ω. Dans cet exposé, nous présenterons un principe de grande déviation pour les courants et nous en déduirons par un principe de contraction un principe de grande déviation pour le flot maximal dans Ω.
Travail en collaboration avec Marie Théret.

A growth-fragmentation is a stochastic process representing cells with continuously growing mass, which experience sudden splitting events. Growth-fragmentations are used to model cell division and protein polymerisation in biophysics. It is interesting to ask whether these processes converge toward an equilibrium, in which the number of cells is growing exponentially and the distribution of cell sizes approaches some fixed asymptotic profile. In this work, we study a process in which the growth and splitting of an individual cell is largely independent of its mass, with the exception that the mass is bounded above, so it cannot exceed a given constant. We give precise conditions to ensure that, almost surely, the process exhibits this equilibrium behaviour, and express the asymptotic profile in terms of an underlying Lévy process.

This is joint work with Emma Horton (Inria Bordeaux).

Une factorisation d’une permutation est une façon d’écrire cette permutation comme un produit de transpositions. L’ensemble des factorisations du n-cycle (12…n), particulièrement étudié en raison notamment de ses liens avec la combinatoire algébrique, est en bijection avec un ensemble de cartes à n sommets, dont le genre est donné par le nombre de transpositions de la factorisation. J’exposerai un algorithme inspiré de cette bijection et permettant de générer une factorisation aléatoire uniforme du n-cycle dont la carte correspondante est de genre fixé.

Je montrerai également comment cet algorithme permet de décrire la limite, en un certain sens, d’une factorisation uniforme de genre donné.

Travail en collaboration avec Valentin Féray et Baptiste Louf.

In this talk, we will present a new approach to the problem of transfer learning for GANs. It allows training deep neural networks with limited computational resources in the specific context of generative models. We prove rigorously, within the framework of optimal transport, a theorem that ensures the convergence of the learning of the transferred Wasserstein GAN. It is joint work with Jean-Baptiste Gouray

La méthode de Stein est un outil bien connu en probabilités pour construire des bornes précises sur des distances probabilistes. Initialement proposée pour l’approximation gaussienne, elle a par la suite été étendue à bon nombre de lois comme la loi de Poisson, binomiale, exponentielle, variance Gamma, et bien d’autres. Ces dernières années, cette méthode probabiliste a aussi connu un réel succès en statistique et machine learning, et a permis des développements théoriques et computationnels assez spectaculaires. Dans cet exposé, je vais donner un aperçu sur ces développements, avec un focus particulier sur une nouvelle mesure de l’impact du choix de la prior distribution en statistique bayésienne.

Je donnerai dans cet exposé deux exemples de problèmes de contrôle stochastique consistant à optimiser un critère discontinu, dans lesquels d’une part, la fonction valeur peut être obtenue explicitement et d’autre part, le contrôle optimal est extrémal (contrôle bang-bang). Je considèrerai d’abord le problème consistant à minimiser une probabilité de ruine en temps fini pour des martingales browniennes. En calculant explicitement les probabilités de sorties d’un triangle rectangle par le mouvement brownien (en utilisant des résultats connus sur les processus de Bessel), il est possible de montrer que la fonction valeur du problème de contrôle est une solution régulière d’une EDP de la chaleur avec des conditions aux bords discontinues. J’expliquerai en quoi ce problème est utile en assurance, en biologie, ou encore en science politique. Dans un 2e temps, je montrerai comment obtenir des résultats similaires dans des problèmes de jeux différentiels à N joueurs, dont je prendrai une approximation de type champs moyen dans le régime où N est grand. Cet exposé s’appuie sur des travaux en collaboration avec Stefan Ankirchner (Jena), Christophette Blanchet-Scalliet (Lyon), Julian Wendt (Jena) et Chao Zhou (Hong Kong).