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:8399@i2m.univ-amu.fr DTSTART;TZID=Europe/Paris:20140411T140000 DTEND;TZID=Europe/Paris:20140411T150000 DTSTAMP:20241120T210400Z URL:https://www.i2m.univ-amu.fr/evenements/y-petetin-telecom-sud-paris-seq uential-bayesian-estimation-in-markovian-models/ SUMMARY: (...): Y. Petetin (Telecom Sud Paris): Sequential Bayesian estimat ion in Markovian models DESCRIPTION:: Estimation bayésienne séquentielle dans des modèles Markov iens/Sequential Bayesian estimation in Markovian models\n\nby Yohann Petet in\\\, Telecom Sud\n\nResume/abstract in english below:\nCet exposé est c onsacré à la présentation et l’analyse d’algorithmes de filtrage st atistique. \nUne première partie est dédiée à une présentation géné rale des thématiques liées au filtrage statistique mono- et multi- objet s\\\, qui consiste à estimer récursivement des états inconnus (dont le nombre est éventuellement aléatoire) à partir d'observations. Les noti ons de méthodes de Monte Carlo séquentielles\\\, ensembles statistiques finis\\\, modèles de Markov couple et triplet seront présentées de faç on succinctes.\nNous nous intéressons ensuite à l'importante classe d'ap proximations que constituent les algorithmes de Monte Carlo séquentiels o u de filtrage particulaire\\\, qui incluent les algorithmes d'échantillon nage d'importance séquentiel et de filtrage particulaire auxiliaire. Les algorithmes de filtrage particulaire dits « localement optimaux »\\\,   c'est à dire les algorithmes d'échantillonnage d'importance avec dens ité d'importance conditionnelle optimale et de filtrage particulaire auxi liaire pleinement adapté sont comparés statistiquement et de façon non asymptotique\\\, en fonction des paramètres du modèle probabiliste donn é. \nEnfin\\\, nous nous plaçons dans le cadre des modèles de Markov et triplet qui étendent les modèles probabilistes Markoviens classiquement utilisés et nous proposons une alternative au technique de filtrage part iculaire : nous exploitons les propriétés statistiques plus générales des modèles de Markov triplet afin de proposer des algorithmes de filtra ge rapide (linéaire dans le nombre d’observations) et exact (ne nécess itant ni approximation numérique\\\, ni filtrage particulaire) dans une c lasse de modèles Markoviens à sauts physiquement pertinents.\n\nAbstract :\nThe presentation is devoted to an introduction and an analysis of stati stical filtering algorithms\nThe first part focuses on a general introduct ion of the topics related to the single and multi object filtering which c onsists in computing recursively hidden states (possibly with a random car dinal) from noised observations. The concepts of Sequential Monte Carlo me thods\\\, random finite sets\\\, and pairwise and triplet Markov models ar e briefly introduced.\nNext\\\, we focus on the class of particle filterin g algorithms\\\, which include essentially the sequential importance sampl ing and auxiliary particle filter algorithms. The “locally optimal” fi ltering algorithms\\\, i.e. the sequential importance sampling with optima l conditional importance distribution and the fully adapted auxiliary part icle filtering algorithms\\\, are statistically compared in function of th e parameters of a given stochastic model. \nFinally\\\, an alternative to particle filtering filtering techniques are proposed. The statistical prop erties of the more general triplet Markov models are used to build new app roximations of the optimal Bayesian estimate (in the sense of the mean squ are error) in Jump Markov State Space Systems. These new approximations ca n produce estimates with performances alike those given by particle filter s but with lower computational cost. END:VEVENT BEGIN:VTIMEZONE TZID:Europe/Paris X-LIC-LOCATION:Europe/Paris BEGIN:DAYLIGHT DTSTART:20140330T030000 TZOFFSETFROM:+0100 TZOFFSETTO:+0200 TZNAME:CEST END:DAYLIGHT END:VTIMEZONE END:VCALENDAR