Bayesian Statistics and Algorithms (Thematic Month 2016)

School
CIRM, Luminy, Marseille
http://fconferences.cirm-math.fr/1619.html

Date(s) : 29/02/2016 - 04/03/2016   iCal
0 h 00 min


MOIS THEMATIQUE – SEMAINE 5

Semaine Bayésienne et algorithmes
29 février au 4 mars 2016

Cette semaine du mois thématique sera consacrée à la statistique bayésienne ainsi qu’aux algorithmes associés. Des exposés théoriques et des applications autour de ces deux thèmes seront proposés. Des mini cours auront lieu également.

Les aspects théoriques et appliqués de la statistique bayésienne seront développés. Les algorithmes mis en avant seront ceux qui permettent d’aborder des problèmes complexes d’estimation, notamment les algorithmes MCMC et les algorithmes ABC (Approximate Bayesian Computation).

Les mots clés de cette semaine sont :
– La statistique bayésienne (cours et exposés)
– L’algorithme ABC (cours et exposés)
– Les algorithmes MCMC (cours et exposés)
– Les applications
– La grande dimension (approche bayésienne et algorithmes)
– algorithmes variationnels (statistique bayésienne variationnelle, technique “Expectation Propagation”)
– méthodes de Monte-Carlo séquentielles (filtres particulaires)

Note: tous les exposés et les minicours seront en anglais


 

Comité scientifique

Nicolas Chopin (ENSAE, France)
Gilles Celeux  (INRIA Paris, France)

Comité d’organisation

Thibaut Le Gouic (Ecole Centrale de Marseille)
Denys Pommeret (Aix-Marseille Université, France)
Thomas Willer (Aix-Marseille Université, France)

Conférenciers 

I) Mini-cours:

Expectation-Propagation for Approximate Inference

Variational Bayes methods and algorithms

Computational Bayesian statistics

II) Exposés:

Bayesian hierarchical mixture model for financial time series

Leave Pima Indians alone: binary regression as a benchmark for Bayesian computation

Expectation Propagation is exact in the large-data limit

Convergence modes for prior distributions

An overview of noisy MCMC and SMC

Accelerating Bayesian inference for intractable likelihood models using noisy MCMC

Goodness of fit of logistic models for random graphs

Combining  ridge parameter with the g-prior of Zellner

A data augmentation approach to high dimensional ABC

Adaptive multiple important sampling

Exploring the presence of complex dependence structures in epidemiological and genomic data

On the properties of variational approximations of Gibbs posteriors

Exact Bayesian inference for some models with discrete parameters

Nonparametric mixture models and HMMS

Approximations of geometrically ergodic Markov chains

Computational methods for stochastic differential equations

Bayesian Hierarchical Modelling of Genetic Interaction in Yeast  

Catégories



Retour en haut