Equipe ALEA Website

  • Increase font size
  • Default font size
  • Decrease font size

ALEA Working Group

Print PDF

The ALEA Working Group serves as a forum for the ALEA Team members and invited researchers. The event stands as a common ground for the group members and the invited speakers to present their ongoing research, interact and exchange knowledge. Each session is focused on the discussion and peer review of current and future projects, related aspects and incentive research topics.  The event provides a regular schedule of presentations covering but not being restricted to ALEA's research themes. Therefore, the working group warmly welcomes guest speakers. For comments, remarks, questions or details, please feel free to contact the current responsible of the ALEA working group: Frédéric Proïa.


2012 Schedule


October 11, 2012

15:30h Rencontre ALEA/LyRE

Nous recevons Xavier Litrico, Cyril Leclerc et Karim Claudio, du laboratoire LyRE (R&D Lyonnaise des Eaux à Bordeaux). Nous aurons tout d'abord une présentation générale du LyRE, puis Karim Claudio nous exposera les grandes lignes de sa thèse, portant sur la maîtrise des fuites dans les réseaux de distribution d'eau potable. Par la suite, nous évoquerons de manière générale les problématiques liées au travail réalisé avec l'équipe EDF, en particulier la prévision de consommation individuelle. Une discussion suivra ces 2 présentations (potentielle collaboration, problématiques identiques, etc.)

Location: INRIA Building, 200 avenue de la vieille tour - Room George Boole (2nd floor)


September 20, 2012

16:00h Denis Arrivault, ALEA

Utilisation du filtre GM-PHD pour le pistage multi-cibles et multi-capteurs dans le cadre du projet ANR PROPAGATION

Abstract [Fr] :

Le projet PROPAGATION a déployé fin juin 2012, en Rade de Toulon, des moyens de détection passifs (radar passif, camera jour haute résolution et caméra nuit), pour conduire une expérimentation de tenue de situation maritime fusionnée entièrement discrète, pour tous les types de navires et mobiles. La contribution de l'équipe ALEA a été de développer le module de pistage des données multi-cibles et multi-capteurs fonctionnant grâce à une filtre GM-PHD (Gaussian Mixture Probability Hypothesis Density).

Location: INRIA Building, 200 avenue de la vieille tour - Room Grace Hopper (4th floor)


September 20, 2012

10:00h Fei Gao, Asso. Professor in Wuhan University of Technology

Inversion mechanism for the fractional order chaotic systems via evolutionary algorithms

Abstract [Eng] :

A novel inversion  mechanism via evolutionary algorithms (EA) with a general mathematical model is proposed
for  non-commensurate and hyper fractional order chaotic systems. The problems of fractional-order chaos'  inversion are
converted into multiple modal non-negative  objective functions' minimization, which takes   fractional-orders differential
equations  as its particular independent variables. And the objective is to find optimal forms of  fractional-orders
differential equations  by  EA  for fractional order chaotic systems such that the objective function is minimized.
Simulations are done to estimate a series of non-commensurate and hyper fractional chaotic systems. The experiments'
results show that the proposed  inversion mechanism for fractional-order chaotic systems is a successful methods with
the advantages of high precision and robustness.

Location: INRIA Building, 200 avenue de la vieille tour - Room Grace Hopper (4th floor)


September 13, 2012

14:00h Arnaud Doucet, Univ. of Oxford

Bayesian inference for intractable state-space models

Abstract [Eng] :

For intractable state-space models, standard Monte Carlo strategies such as Markov chain Monte Carlo methods are not applicable. An alternative is to use the so-called Bootstrap Filter. Unfortunately for informative observations and/or long data sets, this algorithm proves also inefficient. We present a hierarchical particle filtering method where local particle filters are used so as to approximate in a principled way optimal particle filters. We demonstrate experimentally the benefits of this approach on two non-linear non-Gaussian state-space models: a stochastic volatility model arising in econometrics and a multivariate non-linear diffusion modeling a biochemical network.

Location: INRIA Building, 200 avenue de la vieille tour - Room Grace Hopper (4th floor)


April 5, 2012

16:00h Nick Whiteley, Univ. of Bristol

Monte Carlo methods for inference in switching state-space models

Abstract [Eng] :

Switching State Space Models (SSSMs) are a class of flexible time-series models which allow explicit description of regime changes underlying observations. They are widely applied in econometrics, seismology, engineering and elsewhere. This talk will describe existing MCMC and Sequential Monte Carlo approaches to computation for inference in SSSMs and describe some of their drawbacks. A new class of Particle MCMC algorithms, especially suited to this problem, will then be introduced.

Location: Bat A29bis - Salle Sophie Germain (U. Bordeaux I)


March 6, 2012

14:00h Mélanie Prague, ISPED

Estimation MAP de paramètres d'équation mécanistes : application à la modélisation de l'interaction VIH-système immunitaire

Abstract [Fr] :

L’étude de modèles dynamiques modélisant l’interaction entre le VIH et le système immunitaire, basée sur des systèmes d’équations différentielles, a considérablement augmenté les connaissances sur cette infection.  L'estimation des paramètres de ces modèles basés sur des équations différentielles (ODE) pose certains problèmes en MCMC classique, en particulier à cause des temps de calculs. Nous proposons une estimation par maximum a posteriori (MAP) basée sur une adaptation de l’algorithme quasi-Newton proposé par Guedj et al. [1] sur un modèle à cellules T-activées (dynamique entre des cellules quiescentes CD4, activées CD4, infectées CD4 et virus) avec effets aléatoires. Nous attacherons une attention particulière à décrire le choix des a prioris car une pénalité bien choisie permet d'augmenter l'identifiabilité du modèle sans biaiser les résultats. Nous illustrerons nos propos sur les données de l’essai ALBI composé de 149 patients répartis en 2 bras de traitement.
Une perspective serait ensuite de pouvoir prédire la réaction d’un patient à un traitement en fonction des connaissances disponibles sur ses caractéristiques : dynamique de ses biomarqueurs, traitements déjà prescrits, adhérence... Nous conclurons en montrant qu'une mise à jour bayésienne (algorithme de Métropolis-Hastings) des paramètres individuels combinées avec les propriétés d'équilibre des système ODE (R0 - nombre de reproduction de base) permet de déduire une dose de traitement optimale pour le patient. Et ainsi, d'améliorer le traitement en diminuant les effets secondaires sans avoir à passer par la définition d'une fonction de coût arbitraire.

[1] J. Guedj, R. Thiébaut, and D. Commenges. Maximum likelihood estimation in dynamical models of HIV. Biometrics, 63(4) :1198–1206, 2007.
[2] J.M. Molina, G. Chˆene, F. Ferchal, V. Journot, I. Pellegrin, M.N. Sombardier, C. Rancinan, L. Cotte, I. Madelaine, T. Debord, et al. The ALBI trial : a randomized controlled trial comparing stavudine plus didanosine with zidovudine plus lamivudine and a regimen alternating both combinations in previously untreated patients infected with human immunodeficiency virus. Journal of Infectious Diseases, 180(2) :351, 1999.
[3] M. Prague, D. Commenges, J. Drylewicz and R. Thiébaut. Treatment monitoring of HIV infected patients based on mechanistic models Biometrics (à paraitre).

Location: Bat A29 - Salle Ada Lovelace (U. Bordeaux I)


February 1, 2012

14:00h Hacheme Ayasso,  Institut d'Astrophysique Spatiale

L’approche bayésienne variationnelle pour les problèmes inverses en imagerie

Abstract [Fr] :

Dans cette présentation,  j’introduis d'abord rapidement les enjeux de la modélisation directe dans plusieurs problèmes d’imagerie. Puis, une famille d'a priori basée sur le mélange fini de gaussiennes est présentée. L'objectif est de prendre en compte les propriétés des objets homogènes par morceaux. Par la suite, l’approche bayésienne variationnelle est discutée et des résultats sur des données expérimentales et réelles seront présentés. Pour finir, je présenterai des résultats de comparaison (en termes de temps de calcul et qualité d'estimation) de l'approche variationnelle avec les méthodes stochastiques.

Dans un problème d’imagerie, on cherche à construire une carte d’un objet à partir d’observations expérimentales. On peut citer, par exemple, la fabrication de cartes du ciel à partir de plusieurs observations de télescope, la reconstruction d'images de tout ou partie du corps d’un patient en utilisant plusieurs radios prises autour de lui etc...  Ces problèmes sont généralement mal-posés et nécessitent l'introduction d'informations dites a priori pour réduire la dimension de l’espace des solutions admissibles.  L’approche bayésienne permet d’intégrer ces informations et les données d’une manière probabiliste par la construction d’une distribution a posteriori. Néanmoins, l’expression de cette loi est souvent trop complexe pour avoir une forme explicite des estimateurs conventionnels. Une approximation est donc nécessaire et deux voies sont possibles: une approche stochastique comme les méthodes d’échantillonnage MCMC et une approche déterministe comme par exemple les méthodes bayésiennes variationnelles. Ces dernières cherchent la meilleure distribution séparable qui approche la loi a posteriori jointe  au sens de la divergence de Kullback-Leibler.

Location: Bat A33 - Salle 385 (IMB)


January 5, 2012

14:00h Jean-Michel Loubes, (homepage)

Distribution’s template estimate with Wasserstein metrics

Abstract [Eng] :

We tackle the problem of comparing distributions of random variables and defining a mean pattern between a sample of random events. Using barycenters of measures in the Wasserstein space, we propose an iterative version as an estimation of the mean distribution. Moreover, when the distributions are a common measure warped by a centered random operator, then the barycenter enables to recover this distribution template.

Location: Bat A29bis - Salle Grace Hopper




 



2011 Schedule


December 1, 2011

14:00h Sébastien Mametz ValidIT

Optimization of the object placement for command preparation (Optimisation du placement d’articles pour la préparation de commandes)

Abstract [Eng] :

Ce projet consiste à optimiser le placement d’articles dans un entrepôt afin de minimiser le coût de préparation de commandes. Nous verrons comment un ensemble d'algorithmes de recherche, d'optimisation et de structures de données avancées ont permis d'aboutir à un logiciel ergonomique d'optimisation d'un maillon de la chaîne logistique.

Plan de la présentation :- Présentation personnelle- Présentation Société (ValidIT)- Genèse du projet (problématique logistique, prototype IKEA, création MDB)- Étude de l'existant (Classeur excel, avantages & limites (distances de Manhattan, cooccurence ignorée), concurrents ?)- Problématique principale du projet : comment résoudre une forme du problème d'affectation (linéaire/quadratique), ou FLP (Facility Location Problem) ?- Hypothèse : utiliser un historique de préparation pour améliorer l'avenir (principe de localité, vérifier la prédictibilité sur des cas réels)- Modélisation d'un entrepôt (racking 2D, cellules 3D)(1) discrétisation des allées par création de points de passages (partitionnement en Quadtree)(2) représentation des déplacements par un graphe orienté(3) IHM : éditeur 2D en JAVA Swing, editeur 3D en OpenGL (architecture MVC)- Calcul de la matrice d'adjacence (path finding : A* vs programmation dynamique, parallélisation)(1) Implantation d'un cache disque LRU pour les grosses matrices- Calcul de la distance de picking (différents ordonnancements des points de prélèvement : TSP par algo génétique, plus proches voisins, ordre scripté (WMS))- Optimisation globale des distances parcourues :(1) Globale par recuit simulé (trouver les bons paramètres, l'utilisation partielle des résultats implique de trouver le sous ensemble optimal des permutations)(2) Optimisation totale fréquentielle (simple recherche BFS sous contraintes)(3) Partielle par parcours d'arbre (Beam search ou recherche en faisceau)(4) Globale sous contraintes (CSP par backtracking, backjumping, vérification de consistance locale, marche aléatoire)- Ajout de composantes dans le cout de préparation (ergonomie, distance verticale, ruptures & réapprovisionnements)(1) Modification de la fonction de coût(2) Problème de l'optimum de Pareto- Problématiques à approfondir :(1) Filtrage des données volumineuse(2) Amélioration du calcul de la matrice d'adjacence par GPU (OpenCL)- Projets futurs liés aux compétences de notre R&D

Location: Bat A29bis Salle Grace Hopper


November 17, 2011

16:15h Adrien Todeschini ALEA

BiiPS, a new software for bayesian inference using interacting particle systems.

Abstract [Eng] :

I present the particle methods (sequential Monte Carlo) in comparison with the Markov Chain Monte Carlo methods.
Then I explain how to use BiiPS software, especially the RBiiPS package for the software R, to drive these methods on graphical models.

Abstract [Fr] :

Je présenterai les méthode particulaires (ou Monte Carlo séquentielles) en comparaison avec les MCMC (Monte Carlo par chaînes de Markov).
Puis je montrerai comment utiliser BiiPS, en particulier le package RBiips pour le logiciel R, afin d'automatiser ces méthodes sur des modèles graphiques.

Location: Bat A29bis Salle Ada Lovelace


November 3, 2011

14:00h

Sami Lini, thèse CIFRE Thalès - ENSC (Ecole Nationale Supérieure de Cognitique), et son directeur de thèse Pierre-Alexandre FAVIER (ENSC, équipe CIH)

L'anticipation et sa représentation dans les IHS (Interfaces Hommes Systèmes) en aéronautique.

Abstract [Fr] :

Il s'agit de définir un outil offrant la possibilité aux pilotes de ligne civil de mieux gérer leur charge mentale en aidant à une meilleure anticipation. Deux axes sont dégagés : la pro-action (agir avant échéance) et la préparation à l'action (mobilisation de ressources en préparation à une situation particulière). Dans cette optique, il est envisagé de présenter au pilote la séquence des tâches qu'il sera amené à effectuer, leur difficulté relative, leur criticité, tout en tenant compte des incertitudes sur les données, afin de pouvoir les manipuler sur les plans temporel et causal et permettre au pilote de construire et tester des hypothèses en temps réel sur l'évolution de la situation.L'objectif de ce groupe de travail est de présenter les problématiques posées par ce thème de recherche et de réfléchir sur l'introduction d'approches probabilistes.

Location: Bat A29bis Salle Allan Turing


October 27, 2011

10:00h Cédric Archambeau XEROX Research Center Europe

Multi-Task Learning: a Bayesian approach

Abstract :

In many real life problems multiple related target variables need to be predicted from a single set of input features. A problem that attracted considerable interest in recent years is to label an image with (text) keywords based on the features extracted from that image. In general, this multi-label classification problem is challenging as the number of classes is equal to the vocabulary size and thus typically very large. While capturing correlations between the labels seems appealing it is in practice difficult as it rapidly leads to numerical problems when estimating the correlations. In this talk, I will introduce a sparse Bayesian model for multi-task regression and classification. The model is able to capture correlations between tasks, while being sparse in the features. This is especially attractive for the interpretation of the results. By adopting a Bayesian approach we can learn the amount of sparsity from the data. Empirical evaluations on data sets from biology and vision demonstrate the applicability of the model, where on both regression and classification tasks it achieves competitive predictive performance compared to previously proposed methods.

This is joint work with Shengbo Guo, Post-doc at XRCE.

Location: Main Conference Room of IMB, Bat. A33


May 19, 2011

14:00h Frédéric Proïa ALEA

A sharp analysis on the asymptotic behavior of the Durbin-Watson statistic for autoregressive processes

Abstract [Eng]:

We provide a sharp analysis on the asymptotic behavior of the Durbin-Watson statistic and focus our attention on the first-order autoregressive process where the driven noise is also given by
a first-order autoregressive process. We establish the almost sure convergence and the asymptotic normality for both the least squares estimator of the unknown parameter of the autoregressive process as well as
for the serial correlation estimator associated to the driven noise. In addition, the almost sure rates of convergence of our estimates are also provided. It allows us to establish the almost sure convergence
and the asymptotic normality for the Durbin-Watson statistic. Finally, we propose a new bilateral statistical test for residual autocorrelation.

Abstract [Fr]:

L'objectif de cette communication est l'étude du comportement aymptotique de la statistique de Durbin-Watson dans un cadre de séries chronologiques. Nous focalisons notre travail sur un processus autorégressif du premier ordre pour lequel les résidus sont également modélisés par un processus autorégressif du premier ordre. Nous montrons la convergence presque sure et la normalité asymptotique pour l'estimateur des moindres carrés du paramètre inconnu de l'autorégression, ainsi que pour celui de l'autocorrélation résiduelle. De plus, nous précisons la vitesse de convergence presque sure de nos estimateurs. Cela nous permet d'établir la convergence presque sure et la normalité asymptotique de la statistique de Durbin-Watson. Enfin, nous proposons un nouveau test bilatéral permettant d'évaluer toute hypothèse d'autocorrélation résiduelle.

 

Important note: the talk will be given in french in preparation to the Conference "Les 43 Journées de Statistique" held in Tunis.

 

Location: Bat A29bis Salle Alan Turing

 


 

April 12, 2011

14:00h Pierre Jacob, (homepage), CREST

SMC^2: A sequential Monte Carlo algorithm with particle Markov chain Monte Carlo updates

Abstract:

We consider the generic problem of performing sequential Bayesian inference in a state-space model with observation process y, state process x and fixed parameter theta. An idealized approach would be to apply the iterated batch importance sampling (IBIS) algorithm of Chopin (2002). This is a sequential Monte Carlo algorithm in the theta-dimension, that samples values of theta, reweights iteratively these values using the likelihood increments p(y_t|y_1:t-1, theta), and rejuvenates the theta-particles through a resampling step and a MCMC update step. In state-space models these likelihood increments are intractable in most cases, but they may be unbiasedly estimated by a particle filter in the x-dimension, for any fixed theta. This motivates the SMC^2 algorithm proposed in this article: a sequential Monte Carlo algorithm, defined in the theta-dimension, which propagates and resamples many particle filters in the x-dimension. The filters in the x-dimension are an example of the random weight particle filter as in Fearnhead et al. (2010). On the other hand, the particle Markov chain Monte Carlo (PMCMC) framework developed in Andrieu et al. (2010) allows us to design appropriate MCMC rejuvenation steps. Thus, the theta-particles target the correct posterior distribution at each iteration t, despite the intractability of the likelihood increments. We explore the applicability of our algorithm in both sequential and non-sequential applications and consider various degrees of freedom, as for example increasing dynamically the number of x-particles. We contrast our approach to various competing methods, both conceptually and empirically through a detailed simulation study, included here and in a supplement, and based on particularly challenging examples.  (full paper: http://arxiv.org/abs/1101.1528)

 


 

15:00h Luke Bornn, (homepage),  University of British Columbia

Automatic Density Exploration via Adaptive Monte Carlo Methods

Abstract:

While statisticians are well-accustomed to performing exploratory analysis in the modeling stage of an analysis, the notion of conducting preliminary general-purpose exploratory analysis in the Monte Carlo stage (or more generally, the model-fitting stage) of an analysis is an area which we feel deserves much further attention. Towards this aim, this paper proposes a general-purpose algorithm for automatic density exploration. The proposed exploration algorithm combines and expands upon components from various adaptive Markov chain Monte Carlo methods, with the Wang-Landau algorithm at its heart. Additionally, the algorithm is run on interacting parallel chains – a feature which both decreases computational cost as well as stabilizes the algorithm, improving the algorithm’s ability to explore the density. Performance is studied in several applications. Through a Bayesian variable selection example, the au- thors demonstrate the convergence gains obtained with interacting chains. The ability of the algorithm’s adaptive proposal to induce mode-jumping is illustrated through a trimodal density and a Bayesian mix- ture modeling application. Lastly, through a 2D Ising model, the authors demonstrate the ability of the algorithm to overcome the high correlations encountered in spatial models.

 

Location: Bat A29bis Salle Grace Hopper


 

March 31, 2011

Mathieu Faure ( Postdoc à Neuchâtel dans l'équipe de recherche de Michel  Benaïm )

Quasi-stationary distributions for randomly perturbed dynamical systems  [slides]

Location: Bat A29bis Salle John Napier (Salle 7)

 


 

February 3, 2011

Hypervolume-Based Algorithms and Derandomized Evolution Strategies: Two Recent Research Topics in Stochastic Blackbox Optimization

Abstract:

Optimization problems in practice are often considered in a blackbox scenario: the only assumption, we make on the objective function(s) is that we can sample them. This, in particular, covers objective functions that are non-linear, non-differentiable, noisy, and/or expensive to compute. In recent years, stochastic blackbox algorithms such as evolutionary algorithms have been successfully applied to those real-world scenarios for both single- and multiobjective problems. In this talk, I am going to present two specific research areas within the field of evolutionary algorithms in more detail. In the first half of my talk, I will briefly give an introduction into evolutionary multiobjective optimization (EMO) and then share some of our recent theoretical insights about the optimization goal of hypervolume-based EMO algorithms. In the second part, the topic will be single-objective optimization problems in continuous domain and how derandomization approaches for the well-known Covariance-Matrix-Adaptation Evolution Strategy (CMA-ES) can improve the convergence speed. Throughout the talk, open questions will be posed which might serve as a starting point for further discussions and collaborations. [slides]

Bio:

Dimo Brockhoff received his diploma in computer science (Dipl.-Inform.) from University of Dortmund, Germany in 2005 and his PhD (Dr. sc. ETH) from ETH Zurich, Switzerland in 2009. Between June 2009 and November 2010 he was a postdoctoral researcher at INRIA Saclay Ile-de-France in Orsay, France. Since November 2010 he has been a postdoctoral researcher at LIX, Ecole Polytechnique within the CNRS-Microsoft chair «Optimization for Sustainable Development (OSD)» in Palaiseau, France. His research interests are focused on evolutionary multiobjective optimization (EMO), in particular on theoretical aspects of indicator-based search, as well as on certain topics in continuous single-objective optimization such as derandomization and benchmarking.

Bat A29bis Salle John Napier (Salle 7)

 


 

January 20, 2011

14h00 Brice Yver du CEA-CESTA

"Online semi-Supervised Learning: Application to dynamic learning from RADAR data".

Location : INRIA Bat A29bis Salle John Napier (Salle 7 couloir)

 


 

January 13, 2011

Groupe de travail ALEA - GARP

Presentation de l’algorithme « GARP » pour l' interprétation statistique des modèles archéologiques

Location : INRIA Bat A29bis Salle Alan Turing

 


 

 

 



2010 Schedule


 

December 17, 2010

Monthly joint working group between the teams ALEA and FLOWERS.

Here is a non-exhaustive list of subjects: model selection, clustering, bayesian learning and inference, parameter estimation, tracking, optimization.

Location : Salle G. Boole, n°143, 1er étage, Bat A29bis.

 


 

December 16, 2010

14h00 Denis Villemonais

"Distributions quasi-stationnaires dans les modèles Markoviens avec extinction : implications et calcul "

Nous nous intéressons à la distribution de processus de markov conditionnés à la non-absorption et, en particulier, à son comportement en temps long. Nous introduirons le concept de limite de Yaglom et de distribution quasi-stationnaire, en donnant quelques implications d'un point de vue démographique. [slides]

Location : INRIA Bat A29bis Salle Hopper Premier étage

 


 

October 14, 2010

14h00 François Giraud

Résultats de convergence pour le processus des particules en interaction




 

September 23, 2010

15h00 Ba-Ngu Vo (School of Electrical Electronic & Computer Engineering, The University of Western Australia, Australia)

Multi-Bernoulli Filter for Image Observation [abstract]

 


 

Organizers

The ALEA working group was founded by Alexandru-Adrian TANTAR and Emilia TANTAR on September 2009, with the support of Prof. Pierre Del Moral. For the first year (September 2009 - September 2010), as lead by Emilia and Alexandru-Adrian TANTAR, the working group had the pleasure of receiving several well known researchers. During this period, as an extension, the activities of the ALEA working group gave place to the first edition of the Workshop on Evolutionary Algorithms - Challenges in Theory and Practice, having the support of the Evolution Artificielle association. After the departure of the Tantars at 2010, Michele Pace and Peng Hu have co-organized this working group for one year.

click here to see the previous talks (2009-2010)