Laboratoire de Mathématiques Raphaël Salem

UMR 6085 CNRS - Université de Rouen Normandie

Abstract: In this talk I will introduce some nonparametric statistical learning techniques for sequential data in the presence of long-range dependencies. The relevant literature on this topic typically involves such parametric structural assumptions as autoregressive, moving average or Markovian models. However, the theoretical guarantees obtained under such standard modelling assumptions do not hold in the presence of statistical dependencies.

La journée interne du laboratoire aura lieu le 16/12 à 10h30 dans la salle de séminaire, suivant le programme :

Exposés de 20 minutes + 10 minutes de questions (Un grand merci aux trois volontaires !)

10h30-11h00  Vlad Barbu
11h00-11h30  Mohamed El Machkouri
11h30-12h00  Philippe Jouan

> 12h00 Pot organisé par le labo (désolé, le potluck n'est toujours pas possible).

Nous aurons le plaisir d'accueillir Y. Mammeri d'Amiens

Dans cet exposé, nous présenterons quelques modèles d’interfaces aléatoires évoluant, à l’échelle microscopique, selon une dynamique Markovienne souvent en bijection avec des dynamiques de particules ou des modèles de dimères. Un des objectifs est de démontrer la limite hydrodynamique, c’est à dire la convergence de l’interface rééchelonnée en temps et en espace vers une interface macroscopique déterministe dont le mouvement est régi par une équation de Hamilton-Jacobi.

The main objective of this work is to estimate the conditional cumulative distribution using the nonparametric kernel method for a surrogated scalar response variable given a functional random one. We introduce the new kernel type estimator for the conditional cumulative distribution function (cond-cdf) of this kind of data. Afterwards, we estimate the quantiles by inverting this estimated cond-cdf and state the asymptotic properties.

Les programmes de sélection participative et décentralisée vise à développer des variétés adaptées aux contraintes agroécologiques et économiques de chaque ferme.

Le convex hull peeling d’un nuage de points est obtenu en construisant l’enveloppe convexe de
ces points, puis en retirant les points extrémaux du nuage et en construisant la nouvelle enveloppe convexe
des points restants et ainsi de suite. On appelle couche d’ordre $n$ la frontière de l’enveloppe convexe obtenue
à l’étape $n$ de la procédure. Dans cet exposé, on s’intéresse à l’étude de fonctions combinatoires (nombre
de points extrémaux et de faces $k$-dimensionnelles) des couches successives du convex hull peeling d’un

Network dynamics with point-process-based interactions are of paramount modeling interest. Unfortunately, most relevant dynamics involve complex graphs of interactions for which an exact computational treatment is impossible. To circumvent this difficulty, the replica-mean-field approach focuses on randomly interacting replicas of the networks of interest. In the limit of an infinite number of replicas, these networks become analytically tractable under the so-called "Poisson Hypothesis". However, in most applications, this hypothesis is only conjectured.

Après être longtemps resté cantonnée à la sociologie, l’étude et la modélisation des réseaux par des graphes aléatoires a pris de l’ampleur ces 20 dernières années. J’évoquerai un certain nombre d’enjeux qui restent encore à relever : l’impact de l’échantillonnage, les propriétés spectrales en lien avec les grandes matrices aléatoires, les hypergraphes…

Qu'est-ce qu'une surface aléatoire ? Cette question mathématique naturelle intervient également en physique, dans la théorie de la gravité quantique en dimension 2. Bien sûr la réponse dépend de la loi de probabilité choisie. Nous verrons quelques propriétés des surfaces discrètes aléatoires (connues sous le nom de cartes aléatoires). Le cas planaire (genre 0) est maintenant bien étudié en probabilités avec notamment les travaux de Le Gall, Miermont, Sheffield et Miller sur la carte brownienne. Mais quid du genre plus grand ?