Contributions à l'inférence bayésienne par simulation
22/01/2026 à 14h00
M. Antoine LUCIANO présente ses travaux en soutenance le 22/01/2026 à 14h00
À l'adresse suivante : PariSanté Campus, 2 - 10 Rue d'Oradour-sur-Glane, 75015 Paris Salle Auditorium
En vue de l'obtention du diplôme : Doctorat en Sciences
La soutenance est publique
Titre des travaux
Contributions à l'inférence bayésienne par simulation
École doctorale
École doctorale Dauphine SDOSE
Équipe de recherche
UMR 7534 - Centre de Recherche en Mathématiques de la Décision
Section CNU
1 - Mathematiques et leurs interactions
Directeur(s)
Robin RYDER
Membres du jury
| Nom | Qualité | Établissement | Rôle |
|---|---|---|---|
| M. Robin RYDER | Associate professor | Imperial College London | Directeur de these |
| M. Jean-Michel MARIN | Professeur | Université de Montpellier | Rapporteur |
| M. David FRAZIER | Professor | Monash University | Rapporteur |
| Mme Judith ROUSSEAU | Professeur | Université Paris Dauphine - PSL | Examinateur |
| Mme Florence FORBES | Directeur de recherche | INRIA Grenoble Rhone-Alpes | Examinateur |
| M. Christian ROBERT | Professeur | Université Paris Dauphine - PSL | Directeur de these |
Résumé
Cette thèse porte sur l'inférence bayésienne par simulation (Simulation-Based Inference, SBI) et articule approches classiques (MCMC), Approximate Bayesian Computation (ABC) et méthodes neuronales récentes (NRE) au travers de trois contributions distinctes. Dans le premier chapitre, nous introduisons d'abord Insufficient Gibbs Sampling, un schéma de Gibbs à données augmentées pour des situations où l'information disponible se limite à des statistiques insuffisantes. Nous développons ensuite permABC, une variante d'ABC pour données compartimentées : en exploitant l'échangeabilité des compartiments, nous autorisons un appariement à permutation près entre données simulées et observées, ce qui augmente fortement le taux d'acceptation et l'efficacité en grande dimension ; cette idée conduit à des schémas séquentiels novateurs pilotés par le nombre de compartiments impliqués dans la permutation optimale. Enfin, nous combinons ABC et Neural Ratio Estimation (NRE) pour cibler des marginales postérieures d'intérêt (ABC–NRE), clarifions la perte implicite optimisée par NRE et montrons, sur des preuves de concept, que l'usage d'un noyau ABC pour focaliser l'apprentissage au voisinage de l'observation améliore l'efficacité terme de simulation.