Soutenance HDR de Yohan Petetin, le 2/02/2023 à 13h30

Avis de soutenance de Monsieur Yohan PETETIN

autoris√© √† pr√©senter ses travaux en vue de l’obtention de son Habilitation √† Diriger des Recherches sur le sujet :

¬ęGenerative models for time series data¬Ľ

le jeudi 2 février 2023

à 13h30

La soutenance sera  retransmise par visio-conf√©rence zoom, accessible via le lien suivant:

https://zoom.us/j/6885893915

Membres du Jury :

Douc, Randal,  Professeur, T√©l√©com SudParis, Rapporteur Interne

Godsill, Simon, Professeur, Universit√© de Cambridge,  Rapporteur

Djuric, Petar, Professeur, Universit√© de Stony Brook,  Rapporteur

Arnaud Guillin, Professeur √† l’Universit√© de Clermont-Ferrand, Laboratoire de Mathematiques Blaise Pascal, Examinateur

François Septier, Professeur, Université de Bretagne Sud, Examinateur

Florence Forbes, Directrice de Recherche, Inria Grenoble Rh√īne Alpes, Examinatrice

Gersende Fort, Directrice de Recherche au CNRS √† l’institut math√©matique de Toulouse, Examinatrice

R√©sum√© : Mes recherches r√©centes ont √©t√© consacr√©es aux mod√®les g√©n√©ratifs pour les s√©ries temporelles. A travers cet expos√©, j’adresserai une comparaison de mod√®les g√©n√©ratifs bas√©s sur les mod√®les de Markov cach√©s et les architectures neuronales r√©currentes. Je pr√©senterai ensuite des outils d’inf√©rence variationnelle bay√©sienne dans le but de construire et d’estimer les param√®tres de mod√®les probabilistes issues d’une fertilisation crois√©e entre les mod√®les de Markov cach√©s et les r√©seaux de neurones profonds. Enfin, l’approximation du calcul des lois de probabilit√©s √† post√©riori √† partir de la conception de m√©thodes de Monte Carlo s√©quentielles sera discut√©e.

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.