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:1432@i2m.univ-amu.fr
DTSTART;TZID=Europe/Paris:20161121T140000
DTEND;TZID=Europe/Paris:20161121T150000
DTSTAMP:20161106T130000Z
URL:https://www.i2m.univ-amu.fr/evenements/hidden-gibbs-random-fields-mode
 l-selection-using-block-likelihood-information-criterion/
SUMMARY: (...): Hidden Gibbs random fields model selection using Block Like
 lihood Information Criterion
DESCRIPTION:: La question du choix de modèle pour les champs de Gibbs est 
 difficile. Du fait de la structure de dépendance markovienne\, la constan
 te de normalisation ne peut être calculée avec des méthodes analytiques
  ou numériques standards. Par ailleurs lorsque le champs est caché\, on 
 ne peut intégrer par rapport au processus et l’évaluation de la vraise
 mblance devient un problème doublement insoluble. Ceci constitue une diff
 iculté majeure pour le choix du modèle s’ajustant au mieux à l’obse
 rvation. Dans cet exposé\, on introduira une nouvelle version approchée 
 du critère BIC (Bayesian Information Criterion). On partitionne le graphe
  de dépendance en blocs rectangulaires contigus et on approche la loi de 
 probabilité du champ de Gibbs caché par un produit de distribution de Gi
 bbs sur les blocs. Cette approximation conduit à une estimation de la vra
 isemblance et au critère BLIC (Block Likelihood Information Criterion) qu
 i répond à des questions de choix de modèle telles que le choix de la s
 tructure de dépendance ou le nombre d’états latents. On présentera le
 s performances de ce critère sur ces question. Par ailleurs\, on présent
 era une comparaison avec les algorithmes ABC - une des alternatives possib
 les sur ces questions - afin d’illustrer le meilleur compromis computati
 onnel « temps-précision » qu’offre le critère BLIC.-Abstract: Perfor
 ming model selection between Gibbs random fields is a very challenging tas
 k. Indeed\, because of the Markovian dependence structure\, the normalizin
 g constant of the fields cannot be computed using standard analytical or n
 umerical methods. Furthermore\, such unobserved fields cannot be integrate
 d out\, and the likelihood evaluation is a doubly intractable problem. Thi
 s forms a central issue to pick the model that best fits an observed data.
  We introduce a new approximate version of the Bayesian Information Criter
 ion. We partition the lattice into contiguous rectangular blocks\, and we 
 approximate the probability measure of the hidden Gibbs field by the produ
 ct of some Gibbs distributions over the blocks. On that basis\, we estimat
 e the likelihood and derive the Block Likelihood Information Criterion (BL
 IC) that answers model choice questions such as the selection of the depen
 dence structure or the number of latent states. We study the performances 
 of BLIC for those questions. In addition\, we present a comparison with AB
 C algorithms to point out that the novel criterion offers a better trade-o
 ff between time efficiency and reliable results.http://www.math.univ-montp
 2.fr/~stoehr/
END:VEVENT
BEGIN:VTIMEZONE
TZID:Europe/Paris
X-LIC-LOCATION:Europe/Paris
BEGIN:STANDARD
DTSTART:20161030T020000
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
END:STANDARD
END:VTIMEZONE
END:VCALENDAR