Convergence des mesures invariantes des marches aléatoires sur les graphes de voisinage par la méthode de Stein
Probabilités et Statistique
Il existe de nombreux algorithmes pour analyser des graphes. Souvent, ces algorithmes peuvent être utilisés pour étudier des données multivariées : pour cela, il suffit de construire un graphe de voisinage à partir des données et d'utiliser un algorithme d'analyse de graphe. Cependant, on peut se demander si le graphe de voisinage utilisé capture bien toute l'information qui était présente dans les données initiales. Supposons que nos données soient des réalisations de variables aléatoires i.i.d. tirées selon une certaine mesure $\mu$ de densité $f$ ; si l'on arrive à montrer que l'on peut retrouver la densité $f$ à partir d'un graphe de voisinage construit sur les données, alors on peut penser que ce graphe contient bien toute l'information statistique d'intérêt. En fait, on sait que dans la plupart des cas, la mesure invariante d'une marche aléatoire sur un graphe de voisinage est une approximation de la mesure invariante d'un processus de diffusion dont la densité peut être utilisée pour retrouver $f$. Cependant, il n'existe pas de résultat quantitatif permettant d'évaluer cette approche.
Dans cet exposé, on présentera de nouveaux résultats, basés sur la méthode de Stein, permettant de borner la distance de Wasserstein d'ordre $2$ entre la mesure invariante d'une chaîne de Markov et la mesure invariante d'un processus de diffusion. Puisqu'une marche aléatoire sur un graphe (de voisinage) est une chaîne de Markov, on peut ainsi obtenir des résultats quantitatifs pour l'estimation de densité via les graphes de voisinages. Par ailleurs, l'approche développée peut être utilsée pour étudier d'autres problèmes : on est ainsi capable de donner des vitesses de convergence pour les distances de Wasserstein d'ordre $\geq 2$ pour le théorème Centrale Limite.
- Accueil
- Annuaire
- Equipes
- Evènements
- Congrès
- Invités
- Séminaires, Groupes de Travail et Colloquium
- Séminaires
- Analyse Complexe et Equations Différentielles
- Analyse Fonctionnelle
- Analyse Numérique et Equations Aux Dérivées Partielles
- Arithmétique
- Formes Automorphes
- Géométrie Algébrique
- Géométrie des espaces singuliers
- Géométrie Dynamique
- Histoire des Mathématiques
- Physique Mathématique
- Probabilités et Statistique
- Singularités et Applications
- Théorie Analytique et Analyse Harmonique
- Topologie
- Colloquium
- Groupes de Travail
- Analyse harmonique et théorie analytique
- Autour des fractales
- Calcul de Malliavin et processus fractionnaires
- Déformations des singularités de surfaces
- Equations aux dérivées partielles
- Extraction du signal
- Fondements mathématiques du deep learning
- Géométrie Non-Archimédienne
- Géométrie Stochastique
- Idéaux de Hodge
- Leçons d'Analyse
- Matrices Aléatoires
- Probabilités
- Statistique et Grande Dimension
- Systèmes Dynamiques
- Topologie
- W-algèbres
- Doctorants et Post-doctorants
- Séminaires
- Soutenances
- Anciens Séminaires et Groupes de Travail
- Formation par la Recherche
- Laboratoire
- Liens utiles
- Projets
- Recrutements
- Services