BEGIN:VCALENDAR VERSION:2.0 PRODID:-//wp-events-plugin.com//7.2.3.1//EN TZID:Europe/Paris X-WR-TIMEZONE:Europe/Paris BEGIN:VEVENT UID:5903@i2m.univ-amu.fr DTSTART;TZID=Europe/Paris:20221024T000000 DTEND;TZID=Europe/Paris:20221028T000000 DTSTAMP:20241120T200652Z URL:https://www.i2m.univ-amu.fr/evenements/computational-methods-for-unify ing-multiple-statistical-analyses-fusion/ SUMMARY:Workshop (CIRM\, Luminy\, Marseille): Computational Methods for Uni fying Multiple Statistical Analyses (Fusion) DESCRIPTION:Workshop: \n\n\n\n\n\n\nWORKSHOP \n​[su_spacer]\nComputationa l methods for unifying multiple statistical analyses (Fusion)\nUnification algorithmique d’analyses statistiques multiples\n[su_spacer]24 - 28 Oct ober 2022\n\n\n\n\n\n\n[su_spacer]\n\n\n\n\n\n\n\nScientific Committee\nC omité scientifique\nRémi Bardenet (CNRS\, ENS Paris-Saclay &\; Univer sité de Lille)\nDavid Dunson (Duke University)\nKerrie Mengersen (Queensl and University of Technology)\nMurray Pollock (University of Newcastle)\nC hristian Robert (Université Paris-Dauphine &\; University of Warwick)\ nJudith Rousseau (University of Oxford\, UK)\n\n \n\nOrganizing Committee \nComité d'organisation\nRémi Bardenet (CNRS\, ENS Paris-Saclay &\; U niversité de Lille)\nKerrie Mengersen (Queensland University of Technolog y)\nPierre Pudlo (Aix-Marseille Université)\nChristian Robert (Universit é Paris-Dauphine &\; University of Warwick)\n\n\n\n\n\n\n[su_spacer]\n \n\n\nDescription\n\n\n\n\n\n\n\n\n\n\nWhen considering the statistical an alysis of realistic data models\, the issue of inference on the parameters of interest of such models often face the difficulty of handling a multip licity and variety of sources. This may be due to multiple experiments run under different conditions as\, e.g.\, in astronomy or medicine (meta-ana lysis)\, or to confidentiality or privacy reasons that prohibit the simult aneous analysis of different datasets\, or yet to the sheer size of the da ta\, which makes a single processing of the entire sample impossible or ex tremely time-consuming. Such a surprisingly challenging problem arises in many settings (for instance\, expert elicitation\, multi-view learning\, d istributed ’big data’ problems\, etc.)\, but at this date no general e nough solution can befound. Monte Carlo solutions are either approximate ( scalable MCMC\, fusion MCMC\, variational Bayes) or inapplicable to realis tic settings.\nThis workshop proposes to understand and compare existing s olutions for unifying distributed and partial analyses and inferences on s hared parameters from multiple sources\, into a single coherent inference. We also look forward interactions between different communities\, sensiti vities\, and expertises\, to explore further possibilities in validating t hese methods\, assess their practical impact and develop quantitative asse ssments of their error rate. There is considerable scope to tailor the the ory to particular application settings (such as the big data setting)\, co nstruct efficient parallelised schemes\, understand the approximation and computational efficiencies of other such unification paradigms\, and explo re new theoretical and methodological directions\n\n\n\nLorsqu’on consid ère l’analyse statistique de modèles réalistes de données\, l’inf érence sur les paramètres d’intérêt de tels modèles se heurte souve nt à la difficulté de traiter une multiplicité et une variété de sour ces de données. Cela peut être en raison de multiples expériences mené es dans des conditions différentes comme\, par exemple\, en astronomie ou en médecine (méta-analyse)\, ou à des raisons de confidentialité qui interdisent l’analyse simultanée de différents ensembles de données\, ou encore à la taille des données. Ces possibles raisons rendent un tra itement unique de l’échantillon dans sa totalité impossible ou extrêm ement long. Un tel problème est étonnamment difficile à régler et il s e pose dans de nombreux contextes (par exemple\, élicitation par des expe rts\, multi-vues apprentissage\, problèmes de “big data” distribués\ , etc.)\, mais à ce jour\, aucune solution suffisamment générale n’a pu être trouvée. Les solutions de type Monte Carlo sont soit approximati ves (MCMC évolutif\, fusion\, Bayes variationnel) ou inapplicables à des paramètres réalistes.\nCe workshop propose de comprendre et de comparer les solutions existantes pour unifier les analyses et inférences distrib uées et partielles sur des paramètres partagés à partir de sources mul tiples\, en une seule inférence cohérente. Nous espérons aussi beaucoup des interactions entre différentes communautés\, comme celles proches d u machine learning\, différentes sensibilités et différentes expertises \, pour explorer d’autres possibilités afin de valider ces méthodes\, évaluer leurs pratiques impact et développer des évaluations quantitati ves de leur taux d’erreur. Il y a en effet beaucoup de possibilités d ’adapter la théorie à des applications particulières (comme le BigDat a)\, construire des schémas de parallélisation efficaces\, comprendre le degré d’approximation et l’efficacité algorithmique d’autres para digmes d’unification\, et explorer de nouvelles directions théoriques e t méthodologiques.\n\n\n\n\n\n\n\n\n\n\nSpeakers\n\nto be announced\n\n\n \nSPONSORS\n\n\n\n\n\n\n\n\n\n\n\n \n\n\n\n\n\n\n\n \n\n\n\n\n\n\n\n \n \n\n\n\n\n\n\n\n\n\n \; ATTACH;FMTTYPE=image/jpeg:https://www.i2m.univ-amu.fr/wp-content/uploads/2 022/02/image_alea-sta-arxiv.1205.5658-Comparison-of-evaluations-of-posteri or-expectations-with-true-values-in-dashed-lines-Pierre_Pudlo-x300.png CATEGORIES:Manifestation scientifique,Workshop LOCATION:Luminy - CIRM\, 163 Avenue de Luminy\, Marseille\, 13009\, France X-APPLE-STRUCTURED-LOCATION;VALUE=URI;X-ADDRESS=163 Avenue de Luminy\, Mars eille\, 13009\, France;X-APPLE-RADIUS=100;X-TITLE=Luminy - CIRM:geo:0,0 END:VEVENT BEGIN:VTIMEZONE TZID:Europe/Paris X-LIC-LOCATION:Europe/Paris BEGIN:DAYLIGHT DTSTART:20220327T030000 TZOFFSETFROM:+0100 TZOFFSETTO:+0200 TZNAME:CEST END:DAYLIGHT END:VTIMEZONE END:VCALENDAR