Titre : Modélisation par processus gaussiens sous contraintes d’inégalité
Début de thèse : —
Fin de thèse : 2019
Résumé :
Le conditionnement de Processus Gaussiens (PG) par des contraintes d’inégalité permet d’obtenir des modèles plus réalistes. Cette thèse s’intéresse au modèle de type PG proposé par Maatouk (2015), obtenu par approximation finie, qui garantit que les contraintes sont satisfaites dans tout l’espace. Plusieurs contributions sont apportées. Premièrement, nous étudions l’emploi de méthodes de Monte Carlo par chaı̂nes de Markov pour des lois multinormales tronquées. Elles fournissent un échantillonnage efficace pour des contraintes d’inégalité linéaires. Deuxièmement, nous explorons l’extension du modèle, jusque-là limité à la dimension trois, à de plus grandes dimensions. Nous remarquons que l’introduction d’un bruit d’observations permet de monter à la dimension cinq. Nous proposons un algorithme d’insertion des nœuds, qui concentre le budget de calcul sur les dimensions les plus actives. Nous explorons aussi la triangulation de Delaunay comme alternative à la tensorisation. Enfin, nous étudions l’utilisation de modèles additifs dans ce contexte, théoriquement et sur des problèmes de plusieurs centaines de variables. Troisièmement, nous donnons des résultats théoriques sur l’inférence sous contraintes d’inégalité. La consistance et la normalité asymptotique d’estimateurs par maximum de vraisemblance sont établies. L’ensemble des travaux a fait l’objet d’un développement logiciel en R. Ils sont appliqués à des problèmes de gestion des risques en sûreté nucléaire et inondations côtières, avec des contraintes de positivité et monotonie. Comme ouverture, nous montrons que la méthodologie fournit un cadre original pour l’étude de processus de Poisson d’intensité stochastique.
Mots clés : Methodes d’Inference Bayesienne, Processus Gaussiens, Metamodelisation sous Contraintes d’Inegalite, Methodes de Monte Carlo et Monte Carlo par chaines de Markov
Date de soutenance prévue : 28/11/2019
Encadrement :
- Directeur de thèse : Olivier Roustant
Partenaires ou/et Financeurs :
Télécharger la thèse :
Objectifs de développement durable concernés :
Publications
- Conditioning Gaussian processes (GPs) by inequality constraints gives more realistic models. This thesis focuses on the finite-dimensional approximation of GP models proposed by Maatouk (2015), which satisfies the constraints everywhere in the input space. Several contributions are provided. First, we study the use of Markov chain Monte Carlo methods for truncated multinormals. They result in […]
- The regulatory process of Drosophila has been thoroughly studied for understanding a great variety of systems biology principles. While pattern-forming gene networks are further analysed in the transcription step, post-transcriptional events (e.g. translation, protein processing) play an important role in establishing protein expression patterns and levels. Since post-transcriptional regulation of gap genes in Drosophila depends […]
- Gaussian process (GP) modulated Cox processes are widely used to model point patterns. Existing approaches require a mapping (link function) between the unconstrained GP and the positive intensity function. This commonly yields solutions that do not have a closed form or that are restricted to specific covariance functions. We introduce a novel finite approximation of […]
- We consider covariance parameter estimation for a Gaussian process under inequality constraints (boundedness, monotonicity or convexity) in fixed-domain asymptotics. We first show that the (unconstrained) maximum likelihood estimator has the same asymptotic distribution, unconditionally and conditionally, to the fact that the Gaussian process satisfies the inequality constraints. Then, we study the recently suggested constrained maximum […]
- Introducing inequality constraints in Gaussian process (GP) models can lead to more realistic uncertainties in learning a great variety of real-world problems. We consider the finite-dimensional Gaussian approach from Maatouk and Bay (2017) which can satisfy inequality conditions everywhere (either boundedness, monotonicity or convexity). Our contributions are threefold. First, we extend their approach in order […]