En savoir plus

A propos des cookies

Qu’est-ce qu’un « cookie » ?

Un "cookie" est une suite d'informations, généralement de petite taille et identifié par un nom, qui peut être transmis à votre navigateur par un site web sur lequel vous vous connectez. Votre navigateur web le conservera pendant une certaine durée, et le renverra au serveur web chaque fois que vous vous y re-connecterez.

Différents types de cookies sont déposés sur les sites :

  • Cookies strictement nécessaires au bon fonctionnement du site
  • Cookies déposés par des sites tiers pour améliorer l’interactivité du site, pour collecter des statistiques

> En savoir plus sur les cookies et leur fonctionnement

Les différents types de cookies déposés sur ce site

Cookies strictement nécessaires au site pour fonctionner

Ces cookies permettent aux services principaux du site de fonctionner de manière optimale. Vous pouvez techniquement les bloquer en utilisant les paramètres de votre navigateur mais votre expérience sur le site risque d’être dégradée.

Par ailleurs, vous avez la possibilité de vous opposer à l’utilisation des traceurs de mesure d’audience strictement nécessaires au fonctionnement et aux opérations d’administration courante du site web dans la fenêtre de gestion des cookies accessible via le lien situé dans le pied de page du site.

Cookies techniques

Nom du cookie

Finalité

Durée de conservation

Cookies de sessions CAS et PHP

Identifiants de connexion, sécurisation de session

Session

Tarteaucitron

Sauvegarde vos choix en matière de consentement des cookies

12 mois

Cookies de mesure d’audience (AT Internet)

Nom du cookie

Finalité

Durée de conservation

atid

Tracer le parcours du visiteur afin d’établir les statistiques de visites.

13 mois

atuserid

Stocker l'ID anonyme du visiteur qui se lance dès la première visite du site

13 mois

atidvisitor

Recenser les numsites (identifiants unique d'un site) vus par le visiteur et stockage des identifiants du visiteur.

13 mois

À propos de l’outil de mesure d’audience AT Internet :

L’outil de mesure d’audience Analytics d’AT Internet est déployé sur ce site afin d’obtenir des informations sur la navigation des visiteurs et d’en améliorer l’usage.

L‘autorité française de protection des données (CNIL) a accordé une exemption au cookie Web Analytics d’AT Internet. Cet outil est ainsi dispensé du recueil du consentement de l’internaute en ce qui concerne le dépôt des cookies analytics. Cependant vous pouvez refuser le dépôt de ces cookies via le panneau de gestion des cookies.

À savoir :

  • Les données collectées ne sont pas recoupées avec d’autres traitements
  • Le cookie déposé sert uniquement à la production de statistiques anonymes
  • Le cookie ne permet pas de suivre la navigation de l’internaute sur d’autres sites.

Cookies tiers destinés à améliorer l’interactivité du site

Ce site s’appuie sur certains services fournis par des tiers qui permettent :

  • de proposer des contenus interactifs ;
  • d’améliorer la convivialité et de faciliter le partage de contenu sur les réseaux sociaux ;
  • de visionner directement sur notre site des vidéos et présentations animées ;
  • de protéger les entrées des formulaires contre les robots ;
  • de surveiller les performances du site.

Ces tiers collecteront et utiliseront vos données de navigation pour des finalités qui leur sont propres.

Accepter ou refuser les cookies : comment faire ?

Lorsque vous débutez votre navigation sur un site eZpublish, l’apparition du bandeau « cookies » vous permet d’accepter ou de refuser tous les cookies que nous utilisons. Ce bandeau s’affichera tant que vous n’aurez pas effectué de choix même si vous naviguez sur une autre page du site.

Vous pouvez modifier vos choix à tout moment en cliquant sur le lien « Gestion des cookies ».

Vous pouvez gérer ces cookies au niveau de votre navigateur. Voici les procédures à suivre :

Firefox ; Chrome ; Explorer ; Safari ; Opera

Pour obtenir plus d’informations concernant les cookies que nous utilisons, vous pouvez vous adresser au Déléguée Informatique et Libertés de INRAE par email à cil-dpo@inrae.fr ou par courrier à :

INRAE
24, chemin de Borde Rouge –Auzeville – CS52627
31326 Castanet Tolosan cedex - France

Dernière mise à jour : Mai 2021

Menu Logo Principal AgroParisTech Université Paris Saclay

MIA Paris

Séminaire MIA Paris-Saclay

Le jeudi à 11h à Agro Campus Paris-Saclay. Contactez Pierre Gloaguen (pierre.gloaguen@agroparistech.fr) ou Joon Kwon (joon.kwon@inrae.fr) si vous souhaitez venir présenter vos travaux, suggérer des invités, ou être ajouté/retiré de la liste de diffusion.

01/12/2022

Randal Douc (CITI, Telecom SudParis) 

Amphi C2.0.37

Boost your favorite Markov Chain Monte Carlo sampler using Kac's theorem: the Kick-Kac teleportation algorithm

Résumé : TThe present paper focuses on the problem of sampling from a given target distribution π defined on some general state space. To this end, we introduce a novel class of non-reversible Markov chains, each chain being defined on an extended state space and having an invariant probability measure admitting π as a marginal distribution. The proposed methodology is inspired by a new formulation of Kac's theorem and allows global and local dynamics to be smoothly combined. Under mild conditions, the corresponding Markov transition kernel can be shown to be irreducible and Harris recurrent. In addition, we establish that geometric ergodicity holds under appropriate conditions on the global and local dynamics. Finally, we illustrate numerically the use of the proposed method and its potential benefits in comparison to existing Markov chain Monte Carlo (MCMC) algorithms. Joint work with Alain Durmus (Ecole Polytechnique), Aurélien Enfroy (Orsay), Jimmy Olsson (KTH).

08/12/2022

Margaux Zaffran  (CMAP, Ecole polytechnique) 

Amphi C2.0.37

Uncertainty quantification in presence of missing values

Résumé : Uncertainty quantification of predictive models is crucial in decision-making problems. To this purpose, quantile regression can be used to construct prediction intervals, but its validity relies on asymptotic and regularity conditions, and depends on the underlying model. Conformal prediction (CP) is a theoretically grounded framework for constructing prediction intervals with finite sample distribution-free marginal coverage guarantee that holds under the assumption that training and test points are exchangeable. The presence of missing values in real data brings additional challenges to uncertainty quantification. Despite an abundant literature on missing data, as far as we know, there is no work studying the quantification of uncertainty in predictive models.

In this work, we first show that, for almost all imputations, a universally consistent quantile regression algorithm trained on the imputed data is Bayes optimal for the pinball risk. In the finite-sample regime, we show that, for almost all imputations and missing values mechanisms, the imputed data set is exchangeable. Thus, CP properties still hold and marginal guarantees are met. Nevertheless, we emphasize that the average coverage varies depending on the pattern of missing values: it tends to construct prediction intervals that often under-cover the response conditional on a given missing pattern. After theoretically studying the case of a linear model, we propose a methodology to achieve approximate conditional guarantees conditional on the 2^d patterns of missing values, where d is the data dimension. We assess its improved performance on synthetic experiments.

15/12/2022

Marina Gomtsyan (MIA Paris-Saclay, AgroParisTech) 

Amphi C2.0.37

Variable selection in sparse GLARMA models

Résumé : We propose a novel and efficient iterative two-stage variable selection approach for univariate and multivariate sparse GLARMA models, which can be used for modelling discrete-valued time series. Our approach consists in iteratively combining two steps: the estimation of the autoregressive moving average (ARMA) coefficients of multivariate GLARMA models and the variable selection in the coefficients of the Generalized Linear Model (GLM) part of the model performed by regularized methods. We explain how to implement our approach efficiently. Then we assess the performance of our methodology using synthetic data and compare it with alternative methods. Finally, we illustrate it on RNA-Seq data resulting from polyribosome profiling to determine translational status for all mRNAs in germinating seeds. Our approach is implemented in GlarmaVarSel and MultiGlarmaVarSel R packages for univariate and multivariate settings, which are available on the CRAN. Our methodology is very attractive since it benefits from a low computational load and is able to outperform the other methods for recovering the null and non-null coefficients.

Séances passées du séminaire

Cette section contient les résumés des séances passées du séminaire MIA Paris-Saclay 2022-2023.
Lire la suite

Année 2020-2021

Lire la suite

Année 2019-2020

>>
Lire la suite

Année 2018-2019

---
Lire la suite

Année 2017-2018

---
Lire la suite

Année 2016-2017

---
Lire la suite

Année 2015-2016

---
Lire la suite

Année 2014-2015

...
Lire la suite

Année 2013-2014

...
Lire la suite

Année 2012-2013

...
Lire la suite