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:5933@i2m.univ-amu.fr DTSTART;TZID=Europe/Paris:20221010T140000 DTEND;TZID=Europe/Paris:20221010T160000 DTSTAMP:20241209T161503Z URL:https://www.i2m.univ-amu.fr/evenements/statistique-computationnelle-ba yesienne-pour-letude-des-distributions-spectrales-denergie-des-galaxies/ SUMMARY:Grégoire Aufort (I2M\, Aix-Marseille Université): Statistique Com putationnelle Bayésienne pour l'étude des Distributions Spectrales d'én ergie des galaxies DESCRIPTION:Grégoire Aufort: Statistique Computationnelle Bayésienne pour l'étude des Distributions Spectrales d'énergie des galaxies\nSous la co direction de Pierre PUDLO (I2M) et de Denis BURGARELLA (Laboratoire d'Astr ophysique de Marseille - LAM).\nThèse en préparation à Aix-Marseille \, dans le cadre de Mathématiques et informatique de Marseille (184) \, en partenariat avec Institut de Mathématiques de Marseille (équipe de reche rche Statistique du groupe ALEA) depuis le 11-10-2018.\nMembres du jury :  \n\n- Nicolas CHOPIN\, ENSAE\, Président du jury\n- Sylvain LE CORFF\, Institut Polytechnique de Paris\, Rapporteur\n- Marc HUERTAS-COMPANY\, Obs ervatoire de Paris\, Rapporteur\n- Véronique BUAT\, Aix-Marseille Univers ité\, Membre du jury\n- Florence FORBES\, INRIA\, Membre du jury\n- Cloti lde LAIGLE\, Institut d’Astrophysique de Paris\, Membre du jury\n- Pierr e PUDLO\, I2M\, Aix-Marseille Université\, Co-directeur\n- Denis BURGAREL LA\, Laboratoire d’Astrophysique de Marseille\, Co-directeur\nRésumé : L'exploitation de nouveaux outils d'observation en astrophysique nécessi te le développement de nouveaux outils statistiques afin d'être efficace et précis. Nous nous intéressons particulièrement aux statistiques bay ésiennes pour l'étude des distributions spectrales d'énergie des galaxi es.\nAprès une introduction à l'analyse des distributions spectrales d' énergie\, la première partie de cette thèse propose un algorithme de ca lcul bayésien approché (ABC) basé sur l'apprentissage automatique pour le choix de modèles d'histoire de la formation d'étoiles à partir de do nnées photométriques. La méthode est appliquée aux données du relevé COSMOS pour l'identification des galaxies dont le taux de formation d'ét oiles a subi une violente altération dans un passé proche.\nLa deuxième partie de la thèse propose un nouvel algorithme d'échantillonnage préf erentiel adaptatif multiple : TAMIS (Tempered Anti-Truncated Multiple Impo rtance Sampling). En introduisant une séquence de distributions cibles au xiliaires auto-calibrées\, TAMIS est robuste au fléau de la dimension a insi qu'à une mauvaise initialisation\, et nécessite relativement peu d' évaluations de la densité cible\, sans utiliser son gradient.\nLa troisi ème partie présente le code CIGALE utilisé pour modéliser les distribu tions spectrales des galaxies à partir de modèles physiques. Le calcul d e la SED attendue avec des paramètres connus se fait par étapes successi ves correspondant aux différents processus physiques en jeu. Pour accél érer le calcul\, nous proposons de remplacer les calculs explicites de ce rtaines étapes par une approximation de réseau de neurones.\nEnfin\, nou s présentons un modèle statistique complet pour l'inférence bayésienne des paramètres et le choix du modèle utilisant à la fois des données photométriques et spectroscopiques\, et l'application de TAMIS à ce prob lème spécifique.\nMots clés : Statistique\, Calcul bayésien approximat if\, Galaxies\, Densité spectrales d'énergie\, Apprentissage profond\, échantillonnage d'importance.\n\n\n\nBayesian computational statistics fo r the study of spectral energy distributions of galaxies\nAbstract: The ex ploitation of new observation tools in astrophysics requires the developme nt of new statistical tools in order to be effective and precise. We are p articularly interested  Bayesian statistics for the study of the Spectral Energy Distributions of galaxies.\nAfter an introduction to the analysis of spectral energy distributions\, the first part of this thesis proposes a Machine Learning based Approximate Bayesian Computation algorithm (ABC) for the choice of Star Formation History models from data photometric. The method is applied to data from the COSMOS survey for the identification o f galaxies whose star formation rate has undergone a violent alteration in the near past.\nThe second part of the thesis proposes a new Multiple Ada ptive Importance Sampling algorithm: TAMIS (Tempered Anti-Truncated Multip le Importance Sampling). By introducing a sequence of self-calibrated auxi liary target distributions TAMIS is robust to the curse of dimensionality as well as poor initialization\, and requires relatively few evaluations o f the target density\, without using its gradient.\nThe third part present s the CIGALE code used for modeling the spectral distributions of galaxies from physical models. The calculation of the expected SED with known para meters is done in successive stages corresponding to the different physica l processes at play. To speed up the computation\, we propose the replacem ent of the explicit computations of certain steps by a neural network appr oximation.\nFinally we presents a complete statistical model for the Bayes ian parameter inference and model choice using both photometric and spectr oscopic data\, and the application of TAMIS to this specific problem.\nKey words: Statistics\, Galaxies\, Spectral Energy Density\, Deep Learning\, I mportance Sampling\, Approximate Bayesian Computation.\n\nLiens :\nhttps:/ /www.theses.fr/s210548\nhttps://college-doctoral.univ-amu.fr/inscrit/10985 \nhttps://pierre-pudlo.pedaweb.univ-amu.fr/author/gregoire-aufort/\nhttps: //adum.parisnanterre.fr/as/ed/cv.pl?mat=100895&\;site=adumR\nhttps://sc holar.google.com/citations?user=fPkU8WEAAAAJ&\;hl=fr\nhttps://www.resea rchgate.net/profile/Gregoire-Aufort\nhttps://fr.linkedin.com/in/grégoire- aufort-1a985411a\n\nLieu :\n\nLaboratoire d'Astrophysique de Marseille\n\n Pôle de l’Étoile Site de Château-Gombert\n\n38\, rue Frédéric Jolio t-Curie\n\n13388 Marseille\n\n ATTACH;FMTTYPE=image/jpeg:https://www.i2m.univ-amu.fr/wp-content/uploads/2 021/09/Gregoire_Aufort.png CATEGORIES:Soutenance de thèse,ALEA,Statistique LOCATION:Chateau-Gombert - Laboratoire d'Astrophysique de Marseille (LAM)\, Pôle de l’Étoile Site de Château-Gombert - 38\, rue Frédéric Jolio t-Curie \, Marseille\, France\, 13388\, France X-APPLE-STRUCTURED-LOCATION;VALUE=URI;X-ADDRESS=Pôle de l’Étoile Site d e Château-Gombert - 38\, rue Frédéric Joliot-Curie \, Marseille\, Fra nce\, 13388\, France;X-APPLE-RADIUS=100;X-TITLE=Chateau-Gombert - Laborato ire d'Astrophysique de Marseille (LAM):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