On Sequential Monte-Carlo Algorithms for Bayesian Inference
Sur les algorithmes de type Monte-Carlo pour l’inférence Bayésienne
- Méthodes de Monte-Carlo séquentielles
- Méthodes de Monte-Carlo par chaînes de Markov
- Paramètres cachés
- Problèmes de suivi d'objets
- Résolution de problème -- Informatique
- Monte-Carlo, Méthode de
- Statistique bayésienne
- Systèmes complexes
- Estimation de paramètres
- Langue : Anglais
- Discipline : Traitement du signal et des images
- Identifiant : Inconnu
- Type de mémoire : Habilitation à diriger des recherches
- Date de soutenance : 06/12/2017
Résumé en langue originale
De nombreux problèmes dans différents domaines scientifiques peuvent être décrits par des modèles statistiques qui relient les données observées à certains états inobservables. L’estimation de ces paramètres cachés est indispensable pour effectuer différentes tâches de traitement, d’analyse ou de prédiction de quantités d’intérêt. Dans le cadre Bayésien, l’inférence statistique est réalisée grâce à la distribution a posteriori de ces paramètres. Malheureusement, dans la plupart des modèles, la solution analytique ne peut être obtenue et doit donc être approchée. Les algorithmes de Monte Carlo sont remarquablement flexibles et extrêmement puissants pour résoudre de tels problèmes d'inférence. Néanmoins, dans les systèmes complexes non-linéaires et/ou de grande dimension, les techniques Monte-Carlo standard ne permettent souvent pas d’obtenir des résultats satisfaisants. Ce manuscrit vise à présenter mes activités de recherche sur le développement de nouvelles stratégies séquentielles de Monte Carlo pour l'inférence Bayésienne dans des systèmes statiques et dynamiques, puis sur l'application de ces approches pour la résolution de problèmes complexes de localisation et de suivi de multiples objets.
Résumé traduit
Many problems in different scientific domains can be described through statistical models that relate the observed data to some unobserved parameters. The estimation of the hidden parameters is crucial in order to perform several statistical signal processing and machine learning tasks, such as prediction of the evolution of the system, model selection, feature selection, explanatory modeling, etc. In the Bayesian framework, statistical inference is performed based on the relevant posterior distribution. However, in most real-world problems, this posterior distribution is intractable and must be approximated. Monte Carlo algorithms are remarkably flexible and extremely powerful to solve such inference problems. Nevertheless, in complex non-linear and/or high-dimensional systems, standard Monte-Carlo techniques could lead to unsatisfactory results. This manuscript aims to present my research activities on the development of novel sequential Monte Carlo strategies for Bayesian inference in both static and dynamic systems and then to the application of such approaches to solve challenging problems related to localization and tracking of multiple objects.
- Directeur(s) de thèse : Chainais, Pierre
- Laboratoire : Centre de recherche en informatique, signal et automatique de Lille (CRIStAL)
- École doctorale : École doctorale Sciences pour l'Ingénieur (Lille)
AUTEUR
- Septier, François