19 mars 2026 à 14h (École Centrale Lille)
Les algorithmes MCMC (Monte Carlo par chaînes de Markov) sont des algorithmes d'intégration numérique utiles pour l'inférence en statistique en grande dimension et l'inférence Bayésienne. L'objectif est d'échantillonner une chaîne de Markov bien choisie dans le domaine d'intégration, et de calculer la moyenne de la fonction d'intérêt sur les points de la chaîne. Cependant, les méthodes MCMC sont lentes : elles produisent des estimateurs dont l'erreur quadratique moyenne décroît en 1/N, où N est le nombre d'étapes dans l'échantillon de la chaîne de Markov. Suivant l'intuition que la répulsivité d'un ensemble de variables aléatoires amène de la réduction de variance, on propose d'utiliser des processus stochastiques répulsifs pour construire des algorithmes MCMC parallèles.
M. Rémi BARDENET Directeur de recherche CNRS, CRIStAL, Université de Lille Directeur de thèse, M. Nicolas CHOPIN Professeur ENSAE, Institut Polytechnique de Paris Rapporteur, M. Djalil CHAFAÏ Professeur des universités Ceremade Université Paris-Dauphine - PSL, DMA Ecole Normale Supérieure (Paris) - PSL Rapporteur, Mme Mylène MAÏDA Professeure des universités Laboratoire Paul Painlevé, Université de Lille Co-directrice de thèse, Mme Alice GUIONNET Directrice de recherche UMPA, Ecole Normale Supérieure de Lyon Examinatrice, M. Carlos BELTRÁN Professor Universidad de Cantabria Examinateur, Mme Anna KORBA Assistant professor ENSAE, Institut Polytechnique de Paris Examinatrice.
français
English