Avis de soutenance de Monsieur Yohan PETETIN

autorisé à présenter ses travaux en vue de l’obtention de son Habilitation à Diriger des Recherches sur le sujet :

«Generative models for time series data»

le jeudi 2 février 2023

à 13h30

La soutenance sera  retransmise par visio-conférence zoom, accessible via le lien suivant:

https://zoom.us/j/6885893915

Membres du Jury :

Douc, Randal,  Professeur, Télécom SudParis, Rapporteur Interne

Godsill, Simon, Professeur, Université de Cambridge,  Rapporteur

Djuric, Petar, Professeur, Université de Stony Brook,  Rapporteur

Arnaud Guillin, Professeur à l’Université de Clermont-Ferrand, Laboratoire de Mathematiques Blaise Pascal, Examinateur

François Septier, Professeur, Université de Bretagne Sud, Examinateur

Florence Forbes, Directrice de Recherche, Inria Grenoble Rhône Alpes, Examinatrice

Gersende Fort, Directrice de Recherche au CNRS à l’institut mathématique de Toulouse, Examinatrice

Résumé : Mes recherches récentes ont été consacrées aux modèles génératifs pour les séries temporelles. A travers cet exposé, j’adresserai une comparaison de modèles génératifs basés sur les modèles de Markov cachés et les architectures neuronales récurrentes. Je présenterai ensuite des outils d’inférence variationnelle bayésienne dans le but de construire et d’estimer les paramètres de modèles probabilistes issues d’une fertilisation croisée entre les modèles de Markov cachés et les réseaux de neurones profonds. Enfin, l’approximation du calcul des lois de probabilités à postériori à partir de la conception de méthodes de Monte Carlo séquentielles sera discutée.

Abstract :  My main reasearch has been devoted to generative models for time series data. In this presentation, I will discuss and compare generative models based on hidden Markov models and recurrent neural networks architectures. I will next present inference tools based on the variational Bayesian inference framework to build and estimate the parameters of probalistic models resulting from a cross-fertilization between hidden Markov models and deep neural networks. Finally, the approximation of posterior distributions through sequential Monte Carlo methods in such models will be discussed.