Retrouvez nos coordonnées
sur la page
Informations pratiques
Félicitations à Mike et à son encadrement de recherche !
Son travail de thèse lui a permis de participer à la finale du prix 2020 de la meilleure thèse de l'AMIES (Agence pour les mathématiques en interaction avec l'entreprise et la société) qui récompense les travaux de mathématiques destinés à l’entreprise.
Au côté de deux autres jeunes docteurs, Mike Pereira a fait une présentation de sa recherche intitulée « Generalized random fields on Riemannian manifolds : theory and practice. Signal and Image processing », diffusée, en direct sur Youtube, le 22 octobre 2020.
Sa thèse CIFRE a été encadrée au Centre de Géosciences de MINES ParisTech par Nicolas Desassis et Hans Wackernagel et elle a été soutenue le 28 novembre 2019. Elle a été réalisée en partenariat avec la société ESTIMAGES.
Résumé de cette recherche La géostatistique est la branche des statistiques s’intéressant à la modélisation des phénomènes ancrés dans l’espace au travers de modèles probabilistes. En particulier, le phénomène en question est décrit par un champ aléatoire (généralement gaussien) et les données observées sont considérées comme résultant d’une réalisation particulière de ce champ aléatoire. Afin de faciliter la modélisation et les traitements géostatistiques qui en découlent, il est d’usage de supposer ce champ comme stationnaire et donc de supposer que la structuration spatiale des données se répète dans le domaine d’étude. Cependant, lorsqu’on travaille avec des jeux de données spatialisées complexes, cette hypothèse devient inadaptée. En effet, comment définir cette notion de stationnarité lorsque les données sont indexées sur des domaines non euclidiens (comme des sphères ou autres surfaces lisses) ? Quid également du cas où les données présentent structuration spatiale qui change manifestement d’un endroit à l’autre du domaine d’étude ? En outre, opter pour des modèles plus complexes, lorsque cela est possible, s’accompagne en général d’une augmentation drastique des coûts opérationnels (calcul et mémoire), fermant alors la porte à leur application à de grands jeux de données. Dans ce travail, nous proposons une solution à ces problèmes s’appuyant sur la définition de champs aléatoires généralisés sur des variétés riemanniennes. D’une part, travailler avec des champs aléatoires généralisés permet d’étendre naturellement des travaux récents s’attachant à tirer parti d’une caractérisation des champs aléatoires utilisés en géostatistique comme des solutions d’équations aux dérivées partielles stochastiques. D’autre part, travailler sur des variétés riemanniennes permet à la fois de définir des champs sur des domaines qui ne sont que localement euclidiens, et sur des domaines vus comme déformés localement (ouvrant donc la porte à la prise en compte du cas non stationnaire). Ces champs généralisés sont ensuite discrétisés en utilisant une approche par éléments finis, et nous en donnons une formule analytique pour une large classe de champs généralisés englobant les champs généralement utilisés dans les applications. Enfin, afin de résoudre le problème du passage à l’échelle pour les grands jeux de données, nous proposons des algorithmes inspirés du traitement du signal sur graphe permettant la simulation, la prédiction et l’inférence de ces champs par des approches "matrix-free". |
International
Un docteur CRI à UCL avec la ministre de l'ESR
Robin Le Conte des Floris, jeune docteur de la thèse
> En savoir +
Formation
Séminaire HPC / thèse à Rabat
Claude Tadonki, enseignant-chercheur au CRI, a
> En savoir +
Formation
CloudTech au Maroc
Claude Tadonki, enseignant-chercheur au Centre de recherche en informatique
> En savoir +
Formation
Samuel Forest, élu membre de l’Académie des
Samuel Forest lors de sa réception à
> En savoir +
Formation
Les politiques publiques doivent-elles sauver des
Photo de Andre Taissin sur Unsplash François
> En savoir +
Formation
Prix TTI.5 de la controverse environnementale
Le 31 mai, à la Maison de l’Océan à
> En savoir +