Laboratoire de Mathématiques Raphaël Salem

UMR 6085 CNRS - Université de Rouen Normandie

La simulation numérique de problèmes de propagation d'ondes souffre de l'erreur de dispersion caractérisée 
par le fait que les ondes numériques oscillent à une fréquence différente des ondes continues. Cette erreur 
de dispersion est responsable de l'effet de pollution impliquant que le nombre de points de discrétisation
doit énormément augmenter avec la fréquence afin d'assurer une erreur faible, ce qui rend le coût des calculs
prohibitif.   

Le séminaire parle d’une méthodologie pour construire des masquages invisibles dans le cadre de la tomographie par impédance électrique. Les masquages invisibles approchés théoriques nécessitent que les matériaux constitutifs soient très anisotrope. Le design proposé ici est réalisée en stratifiant trois ou plusieurs matériaux isotropes distincts et homogènes dans un nombre fini de couches. La structure est un stratifié radial et peut être construite par fabrication additive.

Cette présentation se concentre sur la modélisation et l'analyse de séries temporelles des données à structures latentes à l'aide de modèles de Markov cachés dérivants (Hidden Drifting Markov Models (HDMMs)). Nous commençons par un aperçu théorique des HDMMs, en soulignant leurs composants clés et leurs hypothèses probabilistes. Nous détaillons ensuite deux méthodes d'inférence de base : l'algorithme EM (Expectation-Maximization) pour l'estimation des paramètres et l'algorithme de Viterbi pour le décodage de la séquence la plus probable d'états cachés.

Cet exposé de colloquium sera une introduction au sujet des flots de gradient, une classe d'équations d'évolution d'origine variationnelle (c'est-à-dire, liées à des problèmes d'optimisation). Je présenterai d'abord le cas le plus simple, celui des courbes dans l'espace euclidien R^n, pour montrer ensuite comment créer une théorie dans le cadre des espaces métriques, où la difficulté réside surtout dans la notion de solution, puisque ni la dérivée d'une courbe, ni le gradient d'une fonction ont un sens dans un cadre si général.

Recovering a random graph model from an observed collection of networks is a challenging task, particularly when the networks do not share a common node set and may have different sizes. In this setting, the objective is to estimate the graphon function underlying a nonparametric exchangeable random graph model. Existing approaches often face a trade-off between statistical accuracy and computational complexity.

Dans ce travail, nous étudions un modèle de régression visant à décrire le comportement des valeurs extrêmes d’une variable Y à partir de covariables X. Nous proposons une méthode de réduction de dimension spécialement conçue pour les queues de distribution, permettant de surmonter le fléau de la grande dimension et d’améliorer l’estimation de l’indice des valeurs extrêmes conditionnel.

Le but de l'expose est de discuter l'existence et la régularité de solutions pour l'équation de Cahn-Hilliard avec un terme source. De telles
équations se retrouvent en croissance tumorale, analyse d'images, ...

Le schéma JKO (pour Jordan, Kinderlehrer, Otto, 1996) est un schéma de 
type Euler implicite permettant de construire de façon variationnelle 
des solutions faibles d'équations de diffusion non-linéaire en 
s'appuyant sur leur structure de flot de gradient dans l'espace de 
Wasserstein. En 2015, Peyré en a proposé une version nommée entropique 
qui, bien que ne fournissant que des solutions approchées du problème 
originel, donne lieu à des calculs numériques redoutablement efficaces, 

Stochastic Newton methods capable of achieving asymptotic efficiency have historically required a per-iteration cost of O(d3) for problems of dimension d. This presentation will first review the concept of asymptotic efficiency, the statistical benchmark for an optimal estimator. We then introduce an online algorithm that achieves this same statistical optimality with a reduced per-iteration cost of O(ℓd2), where the mask size ℓ can be chosen