Interactions multiformes et multi-échelles dans les processus ponctuels spatio-temporels : modèles de Gibbs hybrides et apprentissage statistique

Speakers: Florent Bonneu\n\nDans de nombreuses applications, les interactions entre événements sont complexes et prennent des formes différentes selon l’échelle considérée, combinant indépendance, agrégation et inhibition. C’est le cas des occurrences de feux de forêt, qui présentent une inhibition à courte distance et sur des délais brefs, liée à la régénération de la végétation brûlée, ainsi qu’une agrégation à plus large échelle due à l’environnement, aux conditions météorologiques et aux événements passés. Les modèles classiques de processus ponctuels, limités à une seule structure d’interaction, ne permettent pas de rendre compte d’une telle superposition.Nous présentons un processus ponctuel de Gibbs hybride Strauss–hardcore spatio-temporel, qui combine une distance minimale entre événements en espace et en temps avec des interactions de type Strauss à plusieurs portées. La contrainte hardcore assure la stabilité du modèle et autorise l’agrégation, de sorte que différentes formes d’interaction peuvent coexister à différentes échelles. L’inférence distingue les paramètres irréguliers (portées d’interaction et distances hardcore), ajustés à partir de statistiques descriptives spatio-temporelles et de critères d’ajustement, et les paramètres réguliers, estimés par vraisemblance logistique. Les performances des estimateurs sont évaluées sur des simulations obtenues par un algorithme de Metropolis–Hastings de type naissance-mort, puis le modèle est appliqué aux feux de forêt de Castilla-La Mancha et validé par des tests d’enveloppes globales.Nous discuterons ensuite de l’hybridation des processus ponctuels avec les méthodes d’apprentissage automatique et profond, en présentant les développements récents et la manière dont ces approches peuvent permettre de saisir des interactions de formes variées à différentes échelles, tout en préservant l’interprétabilité et les garanties statistiques des modèles probabilistes.\n\nhttps://indico.math.cnrs.fr/event/17397/

start date
end date