Inférence de réseau et prédiction en grande dimension
Date(s) : 13/02/2017 iCal
14h00 - 15h00
Travail en collaboration avec Mélina Gallopin et Emeline Perthame:
Les modèles graphiques gaussiens permettent d’inférer et de visualiser les dépendances entre des variables. Ces modèles étant difficiles à estimer lorsque la taille de l’échantillon est plus petite que le nombre de variables, nous proposons une procédure non-asymptotique pour réduire la dimension du problème d’inférence. Nous approchons la matrice de covariance par une matrice diagonale par blocs, de façon à décomposer le graphe en plusieurs sous-graphes indépendants : dans chaque bloc, on estime les dépendances à l’aide du graphical Lasso. Dans cet exposé, nous justifierons cette procédure par des résultats théoriques.
Nous développerons ensuite une méthodologie de prédiction non linéaire avec cette structure en blocs, et nous montrerons les résultats de la méthode pour prédire une variable phénotypique à partir de l’expression génétique.
http://www.math.u-psud.fr/~devijver/
Catégories Pas de Catégories
