Institut de Mathématiques de Marseille, UMR 7373




Rechercher


Accueil >

26 juin 2017: 3 événements

Séminaire

  • Séminaire Statistiques

    Lundi 26 juin 14:00-15:00 - Matthieu VIGNES - Massey University (Nouvelle Zélande)

    Reconstructing partially observed (gene) networks

    Résumé : Il s’agit d’un travail joint avec Nathalie Villa-Vialaneix et Victor Picheny (tous les 2 MIA-T, INRA).
    Il s’agit d’évaluer l’impact d’un sous-échantillonage des gènes observés lors de la reconstruction d’un réseau de régulation de gènes à partir de données d’expression. On étudie en particulier la dépendance à la quantité de variables manquantes et le contexte de celles-ci (en terme de degré ou centralité dans le réseau). On s’interroger aussi sur la manière de comparer le graphe finalement appris et le graphe réel.

    JPEG - 33.9 ko
    Matthieu VIGNES

    Lieu : FRUMAM, salle de séminaire du 2ème étage - Aix-Marseille Université - Site St Charles
    3, place Victor Hugo - case 39
    13331 MARSEILLE Cedex 03

    Exporter cet événement
    Document(s) associé(s) :

    En savoir plus : Séminaire Statistiques

  • Séminaire Géométrie, Dynamique et Topologie (GDT)

    Lundi 26 juin 14:00-15:00 - John GUASCHI - Université de Caen

    Séminaire Géométrie, Dynamique et Topologie (TBA)

    Résumé : TBA

    Lieu : CMI, salle de séminaire R164 - I2M - Château-Gombert
    39 rue Frédéric Joliot-Curie
    13453 Marseille cedex 13

    Exporter cet événement

En savoir plus : Séminaire Géométrie, Dynamique et Topologie (GDT)

  • Séminaire Statistiques

    Lundi 26 juin 15:30-16:30 - Julien CHIQUET - AgroParisTech

    Variational inference for probabilistic Poisson PCA

    Résumé : Many application domains such as ecology or genomics have to deal with multivariate non Gaussian observations. A typical example is the joint observation of the respective abundances of a set of species in a series of sites, aiming to understand the co-variations between these species. The Gaussian setting provides a canonical way to model such dependencies, but does not apply in general. We consider here the multivariate exponential family framework for which we introduce a generic model with multivariate Gaussian latent variables. We show that approximate maximum likelihood inference can be achieved via a variational algorithm for which gradient descent easily applies. We show that this setting enables us to account for covariates and offsets. We then focus on the case of the Poisson-lognormal model in the context of community ecology.

    JPEG - 5.8 ko
    Julien CHIQUET

    Lieu : FRUMAM, salle de séminaire du 2ème étage - Aix-Marseille Université - Site St Charles
    3, place Victor Hugo - case 39
    13331 MARSEILLE Cedex 03

    Exporter cet événement
    Document(s) associé(s) :

    En savoir plus : Séminaire Statistiques