Prix de Thèse Jacques Neveu

Lauréats du prix Neveu 2014

Emilie Kaufmann

Emilie Kaufmann, CNRS, CRIStAL

[slides.pdf]

Stratégies bayésiennes et fréquentistes dans des modèles de bandits

Dans un modèle de bandit stochastique à plusieurs bras, un agent choisit séquentiellement des actions conduisant à des récompenses aléatoires, de façon à réaliser un compromis entre exploration et exploitation de son environnement. Ces modèles, initialement introduits dans le contexte des essais cliniques, sont aujourd'hui beaucoup étudiés pour diverses applications liées à l'optimisation de contenu web. Dans cet exposé, nous présenterons des stratégies optimales pour certains problèmes de bandit, et nous verrons en particulier que l'utilisation d'outils bayésiens est pertinent pour résoudre un problème de nature fréquentiste.

 

Julien Régnier

Julien Reygner, CERMICS, École des Ponts ParisTech

[slides.pdf]

Autour des modèles d'Atlas

Les modèles d'Atlas décrivent des systèmes de particules évoluant sur la droite réelle, au sein desquels la dynamique d'une particule ne dépend que de son rang dans le système. De tels modèles apparaissent naturellement en mécanique statistique, en finance ou en théorie des files d'attente, et leur étude repose sur divers outils : mouvement brownien réfléchi, propagation du chaos, théorie ergodique des processus de Markov. Dans cet exposé, nous présenterons quelques aspects du comportement en temps long et à grande échelle de ces modèles.

 



Lauréat du prix Neveu 2015

 

Erwan Scornet

Erwan Scornet, Laboratoire de Statistique Théorique et Appliquée (LSTA) - UPMC

[slides.pdf]

Promenade en forêts aléatoires

Les forêts aléatoires, inventées par Breiman en 2001, comptent parmi les algorithmes d'apprentissage supervisé les plus utilisés, notamment en grande dimension. Elles possèdent en pratique de bonnes capacités prédictives et sont faciles à utiliser puisqu'elles ne nécessitent pas la calibration de multiples paramètres. Cependant, l'algorithme est difficile à analyser théoriquement car l'estimateur dépend de manière complexe des données. En effet, à chaque étape de l'algorithme, un critère empirique est minimisé sur un sous-ensemble des données initiales. Récemment, des travaux ont permis d'améliorer notre compréhension des forêts aléatoires, en s'intéressant notamment à leur normalité asymptotique ou à leur convergence. Dans cet exposé, je présenterai un premier résultat de convergence pour les forêts aléatoires de Breiman. Je montrerai également en quoi cette procédure possède de bonnes propriétés dans des contextes parcimonieux.

 

Personnes connectées : 1