• Vendredi 27 Octobre 2023 Tensor Generalized Canonical Correlation Analysis par Fabien Girka (CentraleSupélec) slides

Résumé : Studying a given phenomenon under multiple views can reveal a more significant part of the mechanisms at stake rather than considering each view separately. In order to design a study under such a paradigm, measurements are usually acquired through different modalities resulting in multimodal/multiblock/multi-source data. One statistical framework suited explicitly for the joint analysis of such multi-source data is Regularized Generalized Canonical Correlation Analysis (RGCCA). RGCCA extracts canonical vectors and components that summarize the different views and their interactions. This framework subsumes many well-known multivariate analysis methods as special cases.

However, RGCCA only deals with vector-valued blocks, disregarding their possible higher-order structures. This is the case for example with excitation-emission spectroscopy (mixtures x emission wavelengths x excitation wavelengths), or electroencephalography (participants x channels x times x frequencies) data. In this talk, we present Tensor GCCA (TGCCA), a new method for analyzing higher-order tensors with canonical vectors admitting an orthogonal rank-R CP decomposition. Moreover, two algorithms for TGCCA, based on whether a separable covariance structure is imposed or not, are presented along with convergence guarantees. The efficiency and usefulness of TGCCA are evaluated on simulated and real data and compared favorably to state-of-the-art approaches.

• Vendredi 24 Novembre 2023 Analyse exploratoire des liens entre variables structurées en blocs et de natures différentes par Optimal Scaling. Application à la valence génétique du cancer du poumon par Martin Pariès (ANSES) et Véronique Boumtje (Université Laval)

Résumé : Les travaux présentés sont issus d’une collaboration franco-québécoise. Celle-ci a été financée par le programme Samuel de Champelain (2021–2023) qui a pour vocation d’établir des liens entre (jeunes) chercheurs français et québécois. Les structures encadrantes impliquées sont : l’Agence nationale de sécurité sanitaire de l’alimentation, de l’environnement et du travail (Fr), Oniris-Nantes (Fr), le Cnam-Paris (Fr), l’Université Laval (Qu), l’Institut universitaire de cardiologie et de pneumologie de Québec - Université Laval (Qu) et l’Université McGill (Qu).

Les méthodes d’analyse exploratoire des liens entre de nombreuses variables structurées en blocs et de natures différentes (i.e., numériques, nominales et ordinales) sont requises dans de nombreux domaines, en biologie notamment. Cependant, les méthodes multiblocs sont généralement développées pour les variables numériques (e.g., MB-PCA, STATIS, AFM, GCCA), et plus rarement pour des données de natures différentes (AFM mixte, OVERALS). Dans le cadre de la quantification optimale (Optimal Scaling), l’intégration d’un algorithme ALSOS à l’ACP multibloc (MB-PCA) a permis son extension à l’analyse de variables de natures différentes (MB-PCAOS). Des outils d’aide à l’interprétation ainsi qu’un package R sont proposés pour en faciliter l’utilisation.

La méthode MB-PCAOS a été appliquée à des données structurées en blocs et de natures différentes, relatives au cancer du poumon (projet LORD, Lung Oncology Research Discovery). Ce projet vise à développer et mesurer l’utilité clinique du score de risque polygénique (PRS) pour cette maladie. Sur une cohorte de 24 012 individus (4 002 cas et 20 010 témoins), sont recueillies des variables relatives aux participants (âge, sexe, IMC), à leur potentiel risque génétique (PRS), à leur statut tabagique (e.g., nombre de cigarettes/jours, durée de tabagisme, âge lors du tabagisme) ainsi qu’à la maladie (stade pathologique, type histologique). L’application de la méthode MB-PCAOS a permis : (i) une analyse exploratoire des liens entre ces potentiels facteurs de risque du cancer du poumon, (ii) et l’établissement des limites supérieures du PRS, afin de détecter les personnes à haut risque génétique de cancer du poumon qui pourraient servir lors des campagnes de dépistage.

• Jeudi 7 Décembre 2023 ANNULE Modélisation hiérarchique bayésienne des extrêmes spatiaux par Christian Genest (Université McGill, Montréal)

Résumé : Les changements climatiques ont accru la nécessité d’évaluer les risques environnementaux sur de vastes domaines et de développer des modèles fiables pour les phénomènes naturels extrêmes. Ceux-ci étant (heureusement) relativement rares, les méthodes bayésiennes sont bien adaptées à l’analyse spatiale de leur fréquence et de leur ampleur. Dans cet exposé, on présentera une stratégie de modélisation d’extrêmes dont la dépendance dans l’espace est représentée par un champ aléatoire gaussien latent dont le comportement est piloté par des covariables synthétiques issues de modèles de reconstruction climatique. Deux vignettes montreront que l’intégration d’un mécanisme de partage d’information entre les sites d’acquisition de données permet non seulement d’affiner l’inférence en ces lieux mais aussi d’interpoler sur de vastes domaines où l’information est clairsemée. La première application concernera l’ampleur des crues extrêmes sur le littoral atlantique du Canada. La seconde montrera en quoi cette approche permet d’améliorer la construction des courbes IDF employées pour le dimensionnement d’ouvrages hydrologiques et hydrauliques.

• Vendredi 23 Février 2024 Representation Learning based on Givens transformation and its applications par Yanwen Zhang (Beihang University) slides

Abstract : Orthonormality is the foundation of a number of matrix decomposition methods. For example, Singular Value Decomposition (SVD) implements the compression by factoring a matrix with orthonormal parts and is pervasively utilized in various fields. Orthonormality, however, inherently includes constraints that would induce redundant information, and make the manipulation of orthonormal matrix difficult. An enhanced version of SVD, namely E-SVD, is accordingly established to losslessly and quickly release constraints and recover the orthonormal parts in SVD. E-SVD has a wide range of application field. For data compression, E-SVD will reduce 25% storage units as SVD reaches its limitation and fails to compress data. For blind watermarking, E-SVD theoretically guarantees the full retrievability of the watermark in the absence of an attack. For object detection, E-SVD give a new perspective of figuring out spatial variation in a matrix, leading to a wider usage of matrix factorization methods in the domain of unsupervised object detection.

• Vendredi 29 Mars 2024 FEMCA : un algorithme de clustering flexible pour les données bruitées par Frédéric Pascal (CentraleSupélec) slides

Résumé : Dans cet exposé, nous présentons une version robuste de l’algorithme EM pour la classification d’observations [1]. Nous avons introduit un modèle d’échantillonnage basé sur des distributions symétriques elliptiques qui nous permet de couvrir une variété plus large de distributions. Par ailleurs, des paramètres supplémentaires, considérés comme des paramètres de nuisance, sont introduits pour accroître la flexibilité de notre modèle. Ces paramètres conduisent à une généralisation des estimateurs robustes classiques pour les vecteurs moyens et les covariances de chaque classe. Afin de démontrer la robustesse de l’algorithme proposé, nous fournissons des analyses théoriques et pratiques qui aident à comprendre la nature générale de la méthode. Enfin, nous nous intéressons à des applications aux images radar et considérons le problème de la segmentation d’images.

[1] Roizman, Violeta, Matthieu Jonckheere, and Frédéric Pascal. "A flexible EM-like clustering algorithm for noisy data." IEEE Transactions on Pattern Analysis and Machine Intelligence (2023).

• Vendredi 24 Mai 2024 : demi-journée eXplainable artifical intelligence : Eufrasio de Andrade Lima Neto (Montfort University), Stéphane Clémençon (Telecom Paris) et Gilbert Saporta (CNAM)

Resumés - slides G. Saporta - slides E. Lima Neto - slides S. Clemençon

• Vendredi 28 Octobre 2022 Modèles de régression pour données de survie par Feriel Bouhadjera (CNAM)

slides

Résumé : Dans cette présentation, nous discutons certaines approches d’estimation de régression. La première partie de cet exposé sera consacrée à des problèmes de régression non-paramétrique, plus précisément sur les questions relatives aux méthodes de type noyaux et locales linéaires pour des données de survie. Nous nous intéressons à trois types de données incomplètes, fréquemment rencontrés en pratique : la censure aléatoire à droite, la censure mixte et la troncature à gauche. Nous ferons le zoom sur une seule méthode d’estimation de la fonction de régression où, sous des hypothèses appropriées, un résultat de convergence uniforme presque sûre est établi. Nous montrons par une étude numérique les performances de la méthode étudiée. La seconde partie de cet exposé porte, quant à elle, sur des développements méthodologiques en régression paramétrique dans le cas de co-variables fonctionnelles. Une application sur un jeu de données dans le domaine viticole sera proposée.

• Vendredi 9 Dcembre 2022 Méthodes Factorielles Parcimonieuses par Vincent Guillemot (Hub de Bioinformatique et de Biostatistique, Institut Pasteur)

Résumé : Les méthodes factorielles sont cruciales pour obtenir un aperçu rapide de la structure des données, que celles-ci soient quantitatives, qualitatives, ou entre les deux. Cependant, le grand nombre de variable, ou le grand nombre d’observations, rend(ent) parfois ardue l’interprétation des résultats. De nouvelles méthodes sont apparues, dites parcimonieuses, avec pour but de sélectionner des variables ou des observations, et permettant de mettre en valeur des structures simples dans ces données complexes. Ces nouvelles méthodes complètent les méthodes classiques à base de rotation ou de bootstrap. Sur des exemples de données publiques, nous montrerons l’intérêt de ces méthodes et leurs futures pistes de développement.

• Vendredi 27 Janvier 2023 Réseaux de neurones à convolutions complexes pour le traitement de données bimodales issues de ptychographie de Fourier par Houda Hassini (Telecom SudParis, TRIBVN/T-life)

Résumé : En imagerie classique, seule l’intensité peut être mesurée ce qui conduit à une perte d’information qui peut-être préjudiciable à une interprétation fiable des objets considérés. Dans nos études nous pensons en particulier aux globules sanguins observés au microscope dont l’analyse peut permettre de révéler certaines maladies. L’imagerie de phase quantitative (Quantitative Phase Imaging QPI) a été proposée comme une avancée intéressante par rapport aux systèmes classiques. . Son point central est de récupérer en plus d’une image d’intensité, une information de phase. Cette information bimodale, naturellement complexe, offre diverses capacités intéressantes telles que l’imagerie quantitative, non invasive et sans marqueur.

Plus récemment, les approches d’apprentissage profond, ou plus précisément les réseaux neuronaux convolutifs (CNN) ont été introduites dans les applications QPI dans l’objectif de fournir, entre autres, un diagnostic médical plus précis. Néanmoins, ces approches explorent principalement les CNN classiques avec des convolutions à valeurs réelles pour l’extraction de caractéristiques sur un seul canal, le plus souvent le canal de phase. De plus, ces filtres réels ne sont pas nativement adaptés à traiter les valeurs complexes résultant des approches QPI. Leur utilisation sur des données complexes peut conduire à ignorer le lien intrinsèque entre l’intensité et l’information de phase.

Dans ce travail, nous proposons d’introduire des convolutions à valeurs complexes dans les réseaux CNN pour explorer l’information bimodale naturellement complexe de l’IQP.

Nous montrons l’apport de cette approche pour réaliser un diagnostique automatique de détection de malaria à partir de frottis sanguins, dans une tâche de detection/classification de globules rouges infectés par des parasites. L’ information bi-modale d’intensité et de phase a été recueillies à l’aide d’une microscopie ptychographique de Fourier (FPM) comme technique QPI.

• Vendredi 31 Mars 2023 Model-based clustering of a collection of networks par Tabea Rebafka (LPSM)

slides : partie1 partie2 partie3

Résumé : Graph clustering is the task of partitioning a collection of observed networks into groups of similar networks. Clustering requires the comparison of graphs and the definition of a notion of graph similarity, which is challenging as networks are complex objects and possibly of different sizes. Our goal is to obtain a clustering where networks in the same cluster have similar global topology.

We propose a model-based clustering approach based on a novel finite mixture model of random graph models, such that the clustering task is recast as an inference problem. To model individual networks the popular stochastic block model is used since it accommodates heterogeneous graphs and its parameters are readily interpretable. Moreover, we develop a hierarchical agglomerative clustering algorithm that aims at maximizing the so-called integrated classification likelihood criterion. In our algorithm, the label-switching problem in the stochastic block model raises an issue, as we have to match block labels of two stochastic block models. To address this problem we propose a tool based on the graphon function. Numerical experiments and an application to ecological networks illustrate the performance and the utility of our approach.

• Vendredi 30 Juin 2023 Attributed Graph embedding and clustering par Lazhar Labiod (Université Paris Cité)

Résumé : Representation learning is a central problem of Attributed Networks data analysis in a variety of fields. Given an attributed graph, the objectives are to obtain a representation of nodes and a partition of the set of nodes. Usually these two objectives are pursued separately via two tasks that are performed sequentially, and any benefit that may be obtained by performing them simultaneously is lost. In this talk we present some simultaneous approaches combining both tasks, embedding and clustering. To jointly encode data affinity between node links and attributes, we use a new powered proximity matrix. We formulate new matrix decomposition models to obtain node representation and node clustering simultaneously. Theoretical analysis indicates the strong links between the newly constructed proximity matrix and both the random walk theory on a graph and a simple Graph Convolutional Network (GCN). Experimental results demonstrate that the proposed algorithms perform better, in terms of clustering and embedding, than state-of-the-art algorithms including deep learning methods designed for similar tasks in relation to attributed network datasets with different characteristics.

• Vendredi 29 Octobre 2021 Clustering with missing values : how and why can we use multiple imputation ? par Mouhamadou Lamine NDAO et Fadela SADOU ZOULEYA

Resumé - slides

• Vendredi 26 Novembre 2021 Exploitation des données massives pour le pilotage multi-objectifs par performance pour l’industrie 4.0. par Amel SOUIFI (CNAM)

Resumé - slides

• Vendredi 17 Décembre 2021 Sparse Subspace K-mean par Mory OUATARRA (Université NANGUI-ABROGOUA)

Resumé - slides

• Vendredi 28 Janvier 2022 Détection d’anomalies dans des séries temporelles régulières : une approche non-paramétrique par Christian DERQUENNE (EDF)

Résumé - slides

• Jeudi 31 Mars 2022 Agrégation en ligne de récursions de Kalman par Eric Adjakossa (AgroParisTech)

• Vendredi 24 juin 2022 Functional Isolation Forest par Pavlo Mozharovskyi (Télécom Paris)

Résumé - slides

• Vendredi 20 Septembre 2019 Evaluation de la capacité d’un biomarqueur à prédire la réponse au traitement avec des données de survies par Bassirou MBOUP (CNAM)

Resumé - pdf de la présentation

• Vendredi 4 Octobre 2019 Analyse de données fonctionnelles qualitatives par Cristian Preda (Ecole Polytechnique Universitaire de Lille)

Resumé

• ANNULE Vendredi 28 Février 2020 Deep Learning Prognosis Model for Hepato Cellular Calcinoma par Terim Lee (Korea National Open University)

Resumé

• Vendredi 20 Mars 2020 Convex Clustering Method for Compositional Data par Zhichao Wang (Xiangtan University)

Résumé : Compositional data comprise of some positive parts subject to a constant-sum constraint. Traditional clustering methods are not applicable to compositional data since the parts are correlated, and particularly, the subcompositional dominance property should be satisfied. In this paper, we develop a convex clustering method for grouping compositional data, which provides a global optimal solution given the convex relaxations of k-means and hierarchical clustering, and it can be efficiently solved in parallel with the ADMM (alternating direction method of multipliers) method. We apply the isometric logratio (ilr) transformation to represent the parts with orthonormal coordinates with respect to the Aitchison geometry. It is then shown that the convex clustering algorithm on the ilr-transformed data performs much more accurately than clustering directly on the untransformed compositional data. The algorithm is further tested on a real-world dataset to illustrate the interpretability of the results from convex clustering method on compositional data.

• Vendredi 26 Octobre 2018 Variable selection for model-based clustering par Matthieu Marbac-Lourdelle (Ensai)

pdf de la présentation

Résumé : We present two approaches for selecting variables in latent class
analysis. The first approach consists in optimizing the BIC with a
modified version of the EM algorithm. This approach simultaneously
performs both model selection and parameter inference. The second approach
consists in maximizing the MICL, which considers the clustering task, with
an algorithm of alternate optimization. This approach performs model
selection without requiring the maximum likelihood estimates for model
comparison, then parameter inference is done for the unique selected
model. Thus, both approaches avoid the computation of the maximum
likelihood estimates for each model comparison. Moreover, they also avoid
the use of the standard algorithms for variable selection which are often
suboptimal (e.g. stepwise method) and computationally expensive. The case
of data with missing values is also discussed. The interest of both
proposed criteria is shown on an application in human population genomics
problem. Data set describes 1300 patients by 160000 variables.

• Vendredi 7 Décembre 2018 spatial functional linear model par Tingting Huang (Beihang University)

pdf de la présentation

Résumé : The well known functional linear regression model (FLM) has been developed under the assumption that the observations are independent. However, the
independence assumption may be often violated in practice, especially when we collect data with network structure coming from various fields such as marketing, sociology or spatial economics. We present a new spatial functional linear model (SFLM), incorporating a spatial autoregressive parameter and a spatial weight matrix in FLM to accommodate spatial dependence among individuals. The proposed model is flexible as it takes advantages of FLM in dealing with high dimensional covariates, and of spatial autoregres-
sive model (SAR model) in capturing network dependence. An estimation method based on functional principal components analysis (FPCA) and maximum likelihood estimation is also developed. The simulation studies show that our method performs as well as FPCA-based method for FLM when there is no network structure and outperforms the latter when there exists a network structure. A real dataset of weather data is also employed to demonstrate the utility of SFLM. 

• Vendredi 11 Janvier 2019 Modèles d’urnes, algorithmes de descente de gradient : systèmes en interaction par Pierre-Yves Louis (Université de Poitiers)

Résumé : les modèles d’urnes (Polya, Friedman) sont bien connus pour être au fondement de nombreuses applications, comme par exemple le design d’essais cliniques. Les algorithmes de descente de gradient sont essentiels à de nombreuses méthodes en analyse de données et apprentissage statistique. Ces deux types de dynamiques aléatoires possèdent une importante caractéristique de renforcement dont nous étudierons l’effet dans le cadre de différents systèmes en interaction. Nous présenterons différents théorèmes limites en temps long et leurs conséquences statistiques et pratiques. L’intérêt de ces modèles pour l’étude de dynamiques d’opinion sur des graphes aléatoires sera également expliqué.

• Vendredi 1 Février 2019 Théorie des valeurs extrêmes et estimation de mesures de risque par Jonathan El Methni (Université de Paris V)

pdf de la présentation

Résumé : In this presentation, we build simple extreme analogues of Wang distortion risk measures and we show how this makes it possible to consider many standard measures of extreme risk, including the usual extreme Value-at-Risk or Tail-Value-at-Risk, as well as the recently introduced extreme Conditional Tail Moment, in a unified framework. We then introduce adapted estimators when the random variable of interest has a heavy-tailed distribution and we prove their asymptotic normality. The finite sample performance of our estimators is assessed in a simulation study and we showcase our techniques on a real dataset.

• Vendredi 1 Mars 2019 Analyse de données compositionnelles par scission du graphe des composants. Applications en biologie, en particulier à la qRT-PCR par Emmanuel Curis (Université Paris-Descartes)

pdf de la présentation

Résumé : Les données compositionnelles sont fréquentes en biologie, parfois de façon implicite : décomposition d’une image en tissus,
sous-populations cellulaires, données de quantification d’ARN ou de
protéines… Souvent, ce caractère compositionnel est ignoré. Pourtant,
il induit des corrélations entre les divers constituants mesurés et
rend délicate l’interprétation des évolutions des quantités de ces
constituants entre deux, ou plusieurs, conditions expérimentales.
Bien qu’il existe des méthodes dédiées à ce type de données, par
exemple fondées sur des transformations (centered log ratio, isometric
log ratio), la majorité de ces méthodes répondent à la question d’une
évolution globale de la composition, sans permettre de remonter aux
évolutions de chaque constituant. Pourtant, c’est cette dernière
information qui intéresse, le plus souvent, les biologistes.

Nous proposons une méthode qui, tout en tenant compte du caractère
compositionnel des données, permet de reconstruire des groupes de
constituants qui se comportent de façon homogène. Cette méthode est
fondée sur la construction d’un graphe dont les nœuds sont les
composants quantifiés et les composantes les groupes cherchés. Elle
sera présentée au travers d’applications à divers exemples
biologiques, avec un regard particulier aux expériences de
quantification d’ARN (qRT-PCR et, dans une moindre mesure, RNA-Seq).

• Vendredi 5 Avril 2019 Handling heterogeneity in Quantile Regression par Cristina Davino (Université de Naples Federico II)

pdf de la présentation

Résumé : Quantile regression (QR), introduced by Koenker and Basset in 1978, can be considered the extension of ordinary least squares (OLS) to the estimation of a set of conditional quantile functions. QR offers a complete view of a response variable providing a method for modelling the rates of changes at multiple points (conditional quantiles) of its conditional distribution (Koenker, 2005 ; Davino et al., 2013) without requiring assumptions on the errors. Although different functional forms can be used, the seminar deals only with linear regression models. The parameter estimates in QR linear models have the same interpretation as those of any other linear model. As a consequence, the estimated values of the response variable conditioned to given values of the regressors, reconstruct the conditioned quantile of the dependent variable. QR represents a considerable alternative to OLS in case of heteroscedastic relationships, presence of outliers and a skewed dependent variable.

The seminar will be structured into two parts. The first part will deal with a description of the main features of QR : estimation, inference, properties and assessment. In the second part, a recent contribute of Cristina Davino will be presented : Quantile Regression potentialities will be exploited to analyze group effects in a dependence model, namely to handle heterogeneity among units both in the presence of a known group structure and when the heterogeneity is unobserved. In many real data applications, statistical units belong to different groups and statistical models should be tailored to incorporate and exploit this heterogeneity among units. It is a matter of fact that if two units have similar features/behaviours or belong to the same group of a stratification variable, the dependence structure of a regression model is more alike.

• Vendredi 3 Mai 2019 Kernel regression estimation with functional predictor with values in a finite dimensional Riemannian submanifold par Anne-Françoise Yao (Université Clermont Auvergne)

Résumé : Let Z i =( X i , Y i ) , i=1,...,n be a sequence of random variables, independent identically distributed (i.i.d.) as a variable Z=( X,Y ) where Y and X are respectively real random and with values in a space of functions E . This talk deals with the problem of kernel estimation of the regression function of Y given X . Namely, I will give some asymptotic results about the classical Nadaraya-Watson in the context where X is with values in a finite dimensional Riemannian submanifold of a Hilbert space. I will illustrate my purpose through some simulations and real data applications which compare the behavior of this estimator in both cases : the classical case where E = L 2 ( [ a,b ] ) and the one where E is Riemannian submanifold this L 2 ( [ a,b ] ) .

• Vendredi 24 Mai 2019 Mélange d’analyses factorielles dynamiques pour la classification de données de panel par Allou Same (IFSTTAR)

pdf de la présentation

Résumé : Dans certains domaines applicatifs, les données disponibles décrivent le comportement de plusieurs entités au cours du temps. Ces données, souvent dites de panel, sont caractérisées, à chaque instant de mesure, par un échantillon d’observations potentiellement multivariées voire fonctionnelles. Cet exposé sera focalisé sur la classification et la réduction de dimension de ce type de données, dans le sens où les classes évoluent au cours du temps via des facteurs latents de faible dimension. Le mélange de modèles en facteurs dynamiques, que nous avons proposé dans cette optique, sera décrit dans l’exposé. Ce modèle a l’avantage de pouvoir être exploité aussi bien pour décrire de manière synthétique les données que pour prévoir le comportement futur des classes. La stratégie variationnelle qui a été retenue pour réaliser l’inférence de ce modèle sera également présentée. La spécificité de celle-ci réside dans l’exploitation, à chaque itération, d’une version pondérée du filtre de Kalman et de projections locales des données. Afin de pouvoir traiter plus rapidement de grandes quantités de données, une variante séquentielle de cet algorithme variationnel sera également examinée. L’exposé s’achèvera par l’application de la méthode proposée sur différents jeux de données, y compris des données de panel issues de smart grids.

• MARDI 18 Juin 2019 Confirmatory Composite Analysis par Florian Schuberth (University of Twente)

pdf de la présentation

Résumé : We introduce confirmatory composite analysis (CCA) as a sub-type of structural equation modeling
that aims at testing composite models. CCA entails the same steps as confirmatory factor
analysis : model specification, model identification, model estimation, and model testing. Composite
models are specified such that they consist of a set of interrelated theoretical constructs,
all of which emerge as linear combinations of observed variables. Researchers must ensure
theoretical identification of their specified model. For the estimation of the model, several estimators
are available ; in particular Kettenring’s extensions of canonical correlation analysis and
partial least squares path modeling provide consistent estimates. Model testing relies on the
Bollen-Stine bootstrap to assess the discrepancy between the empirical and the model-implied
correlation matrix. A Monte Carlo simulation examines the efficacy of CCA, and demonstrates
that CCA is able to detect various forms of model misspecification.

• Vendredi 29 septembre 2017 Vincent Audigier (Cnam, équipe MSDMA)

• Vendredi 27 octobre 2017 Robin Genuer (Univ. Bordeaux)

• Vendredi 24 Novembre 2017 François-Xavier Jollois (Paris Descartes)

• Vendredi 22 Décembre 2017 Kaniav Kamary (Cnam, équipe MSDMA)

• Vendredi 19 Janvier 2018 Marie Milliet de Faverges (CNAM, équipe OC, SNCF)

• Vendredi 16 Février 2018 Stanley Lemeshow (Ohio State University)

• Vendredi 16 Mars 2018 Arthur Tenenhaus (CentraleSupelec)

• Vendredi 30 Mars 2018 Taerim Lee (Korea National Open University)

• Vendredi 20 Avril 2018 Pierre-Alexandre Mattei (University of Copenhagen)

• Vendredi 18 Mai 2018 Paola Brito (Université du Portugal)

• Vendredi 22 juin 2018 Christophe Ambroise (Université d’Évry)

• Vendredi 18 novembre 2016

Matthieu Saumard, ATER au CNAM, nous a présenté un exposé intitulé
Two applications of functional data

• Vendredi 13 janvier 2017 Blaise Hanczar, Professeur à Evry

• Vendredi 24 Février 2017 Rafael José González De Gouveia , CIMAT (Mexico)

• Vendredi 17 mars 2017 Yuan Wei (Beihang University, Beijing)

• Vendredi 21 avril 2017 Antoine CORNUEJOLS (AgroParisTech)

• Jeudi 3 décembre 2015

RAUL ANDRES TORRES DIAZ, Doctorant du "Statistics Department", Universidad Carlos III de Madrid, en séjour de recherche de trois mois au sein de l’Equipe Méthodes Statistiques de Data Mining et Apprentissage, Laboratoire CEDRIC, CNAM, nous a présenté un exposé intitulé :
Multivariate extreme value analysis under a directional approach

• Jeudi 11 Juin 2015

Charantonis Anastase Alexandre, Post-doc au CEDRIC nous a présenté un exposé intitulé : Modélisation statistique de l’environnement : Réduction par classifications

• Jeudi 21 Mai 2015

Véronique Maume-Deschamps, Professeure à L’IFSA Lyon1 nous a présenté un exposé intitulé : Global sensitivity analysis and quantification of uncertainty

• Jeudi 5 Mars 2015

Giuseppe Giordano, Professeur à l’Université de Salerne ; Italie nous a présenté un exposé intitulé : Multidimensional Techniques for Social Network Data- Partie1 Partie2

• Jeudi 19 février 2015

Didier Rullière, ISFA, Université Lyon1 nous a présenté un exposé intitulé : Non parametric estimation of Archimedean copulas and tail dependence

• Jeudi 22 janvier 2015

Jean-Pierre Gauchi, chargé de recherche INRA nous a présenté un exposé intitulé : Plans d’expériences pour modèles non linéaires :
des problématiques et des challenges en biologie

• Jeudi 11 décembre 2014

Rémi Servien, chargé de recherche INRA nous a présenté un exposé intitulé : "Identification et quantification de métabolites dans un spectre RMN"

• Jeudi 13 novembre 2014

Avner Bar-Hen, Professeur à l’université de Paris Descartes
nous a présenté un exposé intitulé : "Analyse statistique des profils et de l’activité des participants d’un MOOC "

• Mardi 1er avril 2014

Francisco de A.T. de Carvalho, Professeur à l’université de Recife
- Brésil nous présentera en salle 17.1.16 un exposé intitulé :
« Batch SOM Algorithms for Interval-Valued Data with Automatic Weighting of the Variables »

• Mercredi 5 mars 2014

Jules de TIBEIRO, Professeur à l’Université de Moncton, New-Brunswick, Canada. nous a présenté un exposé intitulé :
« Graph Partitioning by Correspondence Analysis and Taxicab Correspondence Analysis »

• Mercredi 22 janvier 2014

Mory Ouattara, doctorant département IMATH-CNAM nous a présenté un exposé intitulé : Une méthode de soft subspace clustering basée sur les cartes topologiques pour données multiblocs et une méthode de recherche de consensus de partitions

• Mercredi 11 décembre

Le Professeur Francesco Palumbo - Université de Naples -
https://www.docenti.unina.it/francesco.palumbo nous a présenté un exposé intitulé Prototyping through Archetypal Analysis : looking at data from a different perspective

• Lundi 25 novembre

Le Professeur Eric D ; Kolaczyk - Université de Boston -
http://math.bu.edu/people/kolaczyk/ nous a présenté un exposé intitulé Estimating Network Degree Distributions from Sampled Networks : An Inverse Problem

• Mercredi 13 novembre

Françoise Soulié Fogelman, consultante nous a présenté un exposé intitulé Utilisation des réseaux sociaux pour le data mining
présenté par

• Mercredi 9 octobre

Le Professeur Alfred Hero - University of Michigan Ann Arbor -
http://web.eecs.umich.edu/~hero/ nous a présenté un exposé intitulé Kronecker PCA

• Jeudi 19 septembre

Un séminaire commun CNAM-ESCP Europe - Statistique et modélisation - s’est tenu à l’ESCP sur le thème Données de panels : Approches méthodologiques et applications au management

• Mardi 10 septembre

En collaboration avec la société SIGMA PLUS s’est tenu un séminaire au sujet de l’analyse de données textuelles présenté par
Normand Péladeau, Président de Provalis Research

• Mercredi 12 juin

Anne Bernard, Doctorante département IMATH CNAM nous a présenté un exosé intitulé « Analyse en Composantes Principales Sparse pour données multiblocs et extension à l’Analyse des Correspondances Multiples Sparse »

• Mercredi 22 mai

Hervé Abdi Professor in the School of Behavioral and Brain Sciences at The University of Texas at Dallas nous a présenté un exposé intitulé : Approches Multi-Tableaux pour l’Analyse des Données de Connectivité Cérébrale

• Mercredi 17 avril

Le Professeur Heungsun Hwang, Department of Psychology, McGill University nous a présenté une conférence intitulée :
“Generalized structured component analysis :
A component-based approach to structural equation modeling”

• Mercredi 3 avril

Pierre Goovaerts, Chief Scientist at BioMedware Inc,
Courtesy Associate Professor University of Florida,
nous a présenté une conférence intitulée
"The role of Geostatistics in Environmental Epidemiology"

• Mercredi 20 février

Elena di Bernardino, Maître de conférences au département Imath du CNAM, nous a présenté une conférence intitulée : Distortions of multivariate risk measures : a level-sets based approach

Résumé

• Mercredi 16 janvier

Julie Josse, Maître de conférences au laboratoire de mathématiques appliquées d’Agrocampus Ouest, centre de Rennes, nous a présenté une conférence intitulée : Visualisation de données par ACP régularisée

Résumé
Exposé

• Mercredi 12 décembre

Marc CHRISTINE, INSEE, direction de la Méthodologie et de la coordination statistique et internationale, nous a présenté une conférence intitulée

Méthodes d’agrégation d’unités statistiques sous contrainte de contiguïté

• Mercredi 21 novembre

Fabrice ROSSI, Professeur à l’université Paris 1, exerce sa recherche au sein du SAMM. Il y est responsable de l’axe de recherche Apprentissage Statistique et Réseaux.

Il nous a présenté une conférence intitulée : Un modèle par blocs pour la classification de graphes temporels

• Mercredi 20 juin 2012

Georges Hébrail, Chercheur senior EDF R&D, a présenté une conférence intitulée Gestion et fouille de données dans les Smart Grid

• Lundi 16 avril 2012

Jason Fine, Professeur aux département de biostatistique et au département de Statistique de l’université de Caroline du Nord à Chapel Hill a présenté une conférence intitulée Screening for osteoporosis for postmenopausal women : a case study in interval censored competing risks

• Mercredi 21 mars 2012

Julie Séguéla, Doctorante CNAM département IMATH, a présenté une conférence intitulée Text mining et système de recommandation pour les offres d’emploi diffusées sur le web

• Mercredi 1er février 2012

Laura Trinchera Maître de conférences AgroParisTech a donné une conférence intitulée :
« Latent Class detection in Path Modeling : the REBUS-PLS algorithm »

• Mercredi 18 janvier 2012

Matthieu Montes, Maître de conférences en Bioinformatique au CNAM a présenté l’exposé :
« Virtual screening methods in drug discovery : designing Protein Protein Interactions inhibitors »

• Mercredi 14 décembre 2011

Hervé Abdi, Professeur à l’université du Texas à Dallas a donné une conférence intitulée :
Les problèmes statistiques de la mise en relation du génome et du comportement

• Mercredi 16 novembre 2011

Ismaïl Ahmed, Chercheur à l’INSERM a donné une conférence intitulée :
Détection automatique de signaux en pharmacovigilance : Approche statistique fondée sur les comparaisons multiples.
Résumé

• Mercredi 19 octobre 2011

Aurélien Latouche, Professeur de Biostatistique au CNAM, a donné une conférence intitulée :
Estimation de l’aire sous la courbe Roc en présence de censure

• Mercredi 15 juin 2011

Furio Camillo Professeur à l’université de Bologne, invité au département Ingénierie mathématique du CNAM a donné une conférence intitulée « A multivariate new promising approach for assessing balance of categorical covariates and measuring local effects in observational studies using the “potential outcome” frame »

• Mercredi 4 mai 2011

Giorgio Russolillo Chercheur au CEDRIC (CNAM) au sein de l’équipe MSDMA (Méthodes statistiques de data-mining et apprentissage) a donné une conférence intitulée
« Algorithmes PLS pour l’analyse en composantes principales (ACP) ; régression sur composantes PLS et modèles structurels prédictifs : connexion et extension non-métrique. »

• Mercredi 6 avril 2011

Guénaël Cabanes Chercheur au Laboratoire d’Informatique de Paris-Nord (LIPN) Institut Galilée - Université Paris-Nord a donné une conférence intitulée « Classification non supervisée à deux niveaux guidée par le voisinage et
la densité »

La conférence aura lieu salle 17.2.07 au CNAM le 6 avril de 14h à 15h.

• Résumé :

"Notre travail de recherche concerne le développement d’approches à base de Cartes Auto-Organisatrices (SOM) pour la découverte et le suivi de structures de classes dans les données par apprentissage non supervisé (clustering). Nous avons proposé une méthode de clustering à deux niveaux simultanés (DS2L-SOM). Cette méthode se base sur l’estimation, à partir des données, de valeurs de connectivité et de densité des prototypes de la SOM. Ces valeurs sont utilisées pour effectuer une classification des données. Le nombre de clusters est détecté automatiquement. De plus, la complexité est linéaire selon le nombre de données. Nous montrons qu’il est relativement simple et efficace d’adapter DS2L-SOM aux variantes de l’algorithme SOM, de façon à obtenir une méthode très polyvalente capable par exemple d’analyser différents types de données. Par ailleurs, nous avons proposé une nouvelle méthode de description condensée de la distribution des données, ainsi qu’une mesure heuristique de similarité entre ces modèles. Ces algorithmes se basent sur une estimation de la densité sous-jacente des données pendant l’apprentissage d’une SOM modifiée. La qualité de la description obtenue et de la mesure de comparaison est validée sur un ensemble de jeux de données artificiels et réels. Les propriétés de ces algorithmes rendent possible l’analyse de grandes bases de données, y compris de grands flux de données, qui nécessitent à la fois vitesse et économie de ressources. Il est en effet possible de combiner l’algorithme de clustering à la mesure de similarité entre distributions pour l’analyse de données évolutives."

• Mercredi 23 mars 2011

Mr Mohamed Hanafi chercheur de l’Unité de Recherche en Sensométrie et Chimiométrie, ONIRIS, Ecole Nationale Vétérinaire, Agroalimentaire et de l’alimentation, Nantes-Atlantique,
donnera une conférence intitulée « Analyse des données structurées en blocs : généricité des données, polymorphisme des méthodes et questions émergentes »

La conférence aura lieu Amphi A Fabry-Perrot au CNAM le 23 mars de 10h45 à 12h.

• Résumé :
  Comme le souligne le titre, la présente communication s’inscrit dans le cadre de
  l’analyse des données structurées en blocs. Ces données multidimensionnelles sont appelées également « tableaux multiples ou multiblocs ». Les situations pratiques qui conduisent à l’acquisition des données structurées en blocs sont abondantes dans des domaines aussi variés que l’agroalimentaire, la chimie analytique, l’écologie, la biologie intégartive...On cite ici à titre d’exemple, les données qui se présentent sous la forme d’un tableau individus*variables où les variables sont organisées en plusieurs blocs.
  Aujourd’hui, on peut affirmer que l’accès aux données structurées en blocs
  ne pose réellement pas de problème. Les enjeux actuels se situent davantage au niveau de la conception d’une méthodologie adaptée pour une meilleure exploitation de ces données.
  Partant d’une synthèse des travaux les plus significatifs et des
  contributions les plus récentes en méthodologie d’analyse des données structurées en blocs, la présente communication vise à :
  – introduire une définition générique des données structurées en blocs.
  Cette généricité sera déclinée par une présentation détaillée du panorama des données structurées en blocs à partir d’exemples dans différents domaines d’application.
  – montrer que la méthodologie s’articule sur deux concepts anciens : rang et variable latente. En particulier, le rang d’un tableau partitionnée sera introduit et la notion de polymorphisme de méthodes sera discutée.
  – analyser la généricité des algorithmes pour la détermination des paramètres des méthodes. En particulier, un algorithme général sera introduit et ses propriétés numériques seront discutées.
  – En plus des situations pratiques et des résultats théoriques qui seront évoqués tout au long de la présentation, des questions émergentes pour la
  modélisation des systèmes complexes (approches multi échelles, approches intégratives) viendront conclure cette communication.

Mme le professeur Taerim LEE de la Korea National Open University de Séoul donnera deux exposés :

• jeudi 16 septembre 2010
  le premier sur la FOD intitulé : " Mobile learning and e-Learning for innovation of teaching statistics"

• jeudi 23 septembre 2010
  le deuxieme en biostatistique : "Symbolic Tree for Prognosis of Hepato Cellular Carcinoma patients"

• 6 mai 2010 de 9h00 à 17h15 : CNAM, Amphi Abbé Grégoire, 292 rue saint Martin, 75003 Paris

Troisième Journée sur les Analyses de Tableaux Multiples

organisée par Gilbert Saporta (CNAM) , Mohamed Hanafi (ONIRIS), Thierry Fahmy (XL-Stats)

Entrée libre sur inscription auprès de : mohamed.hanafi chez oniris-nantes.fr

Au début du siècle dernier, les techniques d’analyse des tableaux multiples ont été introduites pour des applications en psychologie. Depuis cette date, leurs applications n’ont cessé de s’élargir, et couvrent maintenant des domaines aussi variés que la sensométrie, la chimiométrie, l’écologie et l’analyse d’image.
Cet engouement de la part des praticiens pour les techniques d’analyse des tableaux multiples s’explique par un besoin méthodologique qui s’est trouvé accentué grâce à la multiplication des outils technologiques d’acquisition des données.
Parallèlement à cette demande, de nombreux développements consacrés aux fondements de ces techniques ont conduit à des avancées significatives aussi bien en statistique exploratoire (méthodes factorielles, techniques multidimensionnelles) qu’en mathématique (algèbre linéaire, algèbre tensorielle, optimisation).
L’objectif de cette journée est de dresser un bilan des avancées récentes tant sur le plan algorithmiques de ces techniques que sur leurs applications.
Cette journée s’adresse à un large public de spécialistes et non spécialistes, elle a pour ambition de promouvoir cette méthodologie et de favoriser les échanges entre spécialistes et praticiens.

Programme :

09h00 - 09h15 Ouverture de la journée.

09h15 - 10h00 Issues in designing user-friendly software for three-mode analysis. Pieter Kroonenberg (Université de Leiden, Pays Bas)

10h00 - 10h45 Quelques nouveaux résultats concernant les modèles Candecomp/Parafac et Indscal. Mohamed Benani-Dosse (Université de Rennes II,France)

10h45-11h15 Pause café

11h15-12h00 Regularized Generalized Canonical Correlation Analysis. Arthur Tenenhaus (Supelec, France)

12h00-13h30 Pause déjeuner

13h30-14h10 Utilisation avancée de l’approche PLS pour l’analyse des tableaux multiples avec XLSTAT. Emmanuel Jakobowicz (XLSTAT, France).

14h10-14h50 Propriétés des algorithmes pour la détermination des variables latentes dans le cadre de l’approche PLS et des méthodes multiblocs. Mohamed Hanafi (ONIRIS, Nantes France)

14h50-15h10 Pause café

15H10-15h50 Structure des données et problèmes de modélisation en métabolomique. Alain Paris (Met@risk, France)

15h50-16h30 A generic model for data fusion. Iven Van Mechelen (Katholieke Universiteit Leuven, Belgique )

16h30-17h10 Table ronde animée par : Ph. Ricoux (Total,France) P. Kroonenberg (Université de Leiden, Pays Bas) et G. Saporta(CNAM, France)

17h10-17h15 Clôture de la journée.

Séminaires novembre et décembre 2009 ; janvier à mars 2010

• Mercredi 10 mars 2010
  Jean-François Marcotorchino
  Directeur Scientifique et Technique THALES Communications
  email : jeanfrancois.MARCOTORCHINO chez fr.thalesgroup.com
  
  Unification Relationnelle Générale des Critères de Partitionnement, Classification et Classement.
  
  Résumé : Lors de cet exposé, nous donnerons un éclairage peu connu sur bon nombre de Critères de Classement ou de Partitionnement structurants et usuels en montrant leur filiation étroite avec une grande famille unifiée de critères, tels les critères suivants : Critère de Condorcet, Critère de Condorcet Pondéré, Critère de la « Différence de Profils », Critère Inertiels, Critères dérivés des k-means etc.., dans le paradigme unificateur de l’Approche Relationnelle des données, en montrant que tout critère de classification ou de classement, utilisé aujourd’hui, peut être considéré formellement comme un dérivé de cette famille de critères relationnels.
  De fait, le propos est plus spécifiquement de montrer qu’un formalisme théorique unique peut permettre d’expliciter en profondeur les structures sous-jacentes propres à des critères de recherche d’ordres, d’ordonnances ou de partitionnements optimaux qui ont été introduits à des périodes de temps différentes, pour des motifs et des buts différents, dans des problématiques n’ayant souvent pas grand chose à voir entre elles.
  En résumé nous voulons montrer que le formalisme relationnel permet de transcrire dans un langage simple avec des notations assez systématisées l’essentiel des fondamentaux des structures de critères (ou de fonctions économiques à Maximiser ou Minimiser),.une fois faite l’assimilation des notations associées.

• Mercredi 20 JANVIER 2010
  Emmanuel Viennet Professeur
  Laboratoire de Traitement et Transport de l’Information Université Paris 13
  email : emmanuel.viennet chez univ-paris13.fr
  
  Apprentissage et Réseaux Sociaux
  
  Résumé : L’étude des réseaux sociaux a connu un essor remarquable ces dernières années, avec le développement de nouvelles méthodes d’analyse et de fouille de données. De nombreuses applications industrielles demandent l’analyse de données structurées en réseaux : sites Web2.0, opérateurs de télécommunications. Les demandes sont variées et vont de la catégorisation de documents (messageries) à la détection de communautés d’utilisateurs, en passant par les systèmes de recommandation.
  L’analyse des réseaux sociaux pose des problèmes difficiles, comme la modélisation des interactions "sociales", la fouille de données structurées (graphes, textes, données hétérogènes) et la prise en compte de l’évolution temporelle des réseaux. De plus, les applications génèrent souvent des volumes de données très importants, avec des graphes comptant plusieurs dizaines des millions de nœuds, ce qui pose de sérieuses restrictions sur algorithmes utilisables.
  Dans ce séminaire, nous présenterons ce domaine de recherche et décrirons quelques problématiques et exemples pouvant intéresser les statisticiens.

• Mercredi 13 janvier 2010
  Christiane Guinot, PhD, DSc
  Biometrics and Epidemiology Unit CE.R.I.E.S.,
  email : christiane.guinot chez ceries-lab.com
  
  Identification de différents phénotypes d’une maladie de la peau : le psoriasis
  
  Résumé : Suite à nos travaux de recherche sur une classification de la peau humaine saine, nous avons été sollicité par le Pr L. Dubertret du Département de Dermatologie de l’hôpital Saint-Louis à Paris, pour rechercher une typologie du psoriasis, c’est-à-dire chercher des groupes de malades homogènes sur le plan clinique et sur le plan évolutif. En effet, il existe des formes cliniques extrêmement variées de psoriasis, auxquelles correspondent des groupes de patients actuellement non caractérisés et dont la réponse aux différents traitements est différente. Cette recherche de typologie a été effectuée en associant les méthodes d’analyse des correspondances multiples, de classification ascendante hiérarchique et d’analyse discriminante.

• Mercredi 16 décembre 2009 de 11h-12h Lieu : Cnam, salle 31 2 89, 2 rue Conté, Paris IIIe
  Jérôme Pagès, Professeur à Agrocampus Rennes,
  email : jerome.pages chez agrocampus-ouest.fr
  
  Traitement de données mixtes (variables quantitatives et variables qualitatives) en analyse de données.
  

• Mercredi 18 novembre 2009 Professeur Francisco Carvalho de l’Université Fédérale du Pernambouc à Recife (Brésil)
  
  Nouveaux Modèles de Régression Linéaire pour les Variables de Type Intervalle
  
  Résumé :
  Nous présentons une nouvelle approche pour la régression linéaire sur des variables de type intervalle. Dans cette approche, chaque individu est décrit par un vecteur
  d’intervalle. La prévision du centre et de la longueur de l’intervalle de la variable à expliquer est
  faite à partir de différents modèles de régression linéaire qui tiennent compte des informations
  données par le centre et la longueur des variables explicatives et aussi de leurs interactions. Dans
  un deuxième temps, nous introduisons la contrainte que la limite inférieure doit être plus grande que
  la limite supérieur lors de la prévision de l’intervalle de la variable à expliquer. Nous montrons
  quelques exemples avec des données simulées ou réelles.

Année universitaire 2008/2009

• 17 juin 2009 Francesco Palumbo, université de Macerata (Italie) 11h à 12h, salle 33.1.11 : Statistical Analysis of Interval-valued data.
• 18 mars 2009 El Mostafa Qannari ENITIAA/INRA Nantes -Approches en continuum autour de la régression PLS :
  En matière de traitement de données, le chimiométricien est souvent confronté à la situation consistant à prédire une ou plusieurs variables à partir de mesures instrumentales rapides telles que les mesures spectrales. Le plus souvent, l’objectif n’est pas tant un problème de prédiction à proprement parler qu’un problème d’investigation de relations entre tableaux de données au sens où l’on cherche à comprendre les phénomènes sous jacents en les reliant, quand cela est possible, à la structure moléculaire des produits étudiés. De ce fait, la régression PLS a une place de choix dans la boîte à outils du chimiométricien. En effet, il est bien connu que cette méthode est orientée vers l’explication d’une ou plusieurs variables et pour cela, elle s’appuie sur une information structurelle dans l’espace des variables explicatives. D’aucuns résument ceci par le raccourci consistant à affirmer que PLS réalise un compromis entre une analyse en composantes principales (ACP) des variables à expliquer, une ACP des variables explicatives et une méthode de régression des variables à expliquer sur les variables explicatives. Cependant, force est de constater que, dans la pratique, ce compromis est souvent biaisé en faveur des variables explicatives alors que l’on aurait souhaité que ce soit l’inverse ! L’exposé vise à montrer que des approches en continuum non seulement permettent de mieux rétablir l’équilibre mais procurent également à l’utilisateur toute une panoplie de modèles incluant des modèles plus classique tels que la régression PLS, la régression sur composantes principales, l’analyse en composantes principales sur variables instrumentales ou la Ridge régression. Le lien entre ces différentes méthodes est, par conséquent, mieux clarifié.
• 25 février 2009 11h-12h, Salle 39-3-47 : Vincenzo Esposito Vinzi ESSEC Business School of Paris - A Comprehensive PLS environment for problematic cases in component-based SEM :
  Partial Least Squares Path Modelling is generally meant as a component-based approach to structural equation models and multi-block data analysis that privileges a prediction oriented
  discovery process to the statistical testing of causal hypotheses.
  In case of formative relationships in the measurement model between the manifest variables and their corresponding latent ones, the classical algorithm may often yield unstable results while being not even feasible in cases often encountered in real practice.
  This talk will discuss a comprehensive PLS environment where PLS regression is implemented
  in differen steps of the PLS-PM algorithm : the external estimation step for formative indicators ; the internal estimation step as a generalization of the path weighting scheme ; the estimation of
  path coefficients in structural models affected by strongly correlated latent variables or missing scores.
• 14 janvier 2009 11h-12h, Salle 11A2.32 : Michel Tenenhaus (Groupe HEC, Jouy-en-Josas, France) tenenhaus chez hec.fr - Approche PLS : Les méthodes PLS (Partial Least Squares) forment un ensemble de méthodes d’analyse de données exploratoires permettant de prendre en compte la causalité. Elles ont été initiées par Herman et Svante Wold à partir de 1966. Des outils de validation des modèles par Jack-Knife ou Bootstrap ont été plus récemment développés. Ces méthodes peuvent fonctionner sur des petits échantillons dont les individus sont décrits par un très grand nombre de variables. Il peut aussi y avoir des données manquantes. Nous présenterons dans cette conférence l’approche PLS pour l’étude des modèles à équations structurelles sur variables latentes. Nous illustrerons ces méthodes par des exemples concrets d’applications à l’aide des logiciels PLS-Graph et XLSTAT.
• 3 décembre 2008 : Michel Bera - Le data mining en 2008 : l’apport aux problèmes de marketing des nouvelles structures de données liées aux comportements : TimeStamps, Réseaux Sociaux, Texte.

Année universitaire 2007/2008

• Jeudi 17 Janvier 2008 de 11h00 à 12h00 en salle 35.3.35 :
  Xavier bry - Université Montpellier II) - Analyse Modélisation factorielle des interactions entre deux ensembles d’observations : la méthode PLS-FILM (Partial Least Squares Factor Interaction Linear Modelling).
• Jeudi 13 Décembre 2007 de 14h00 à 15h00 à l’Amphi A :
  Christian Derquenne - EDF R&D - Analyse Modèle libre généralisé pour équations
  structurelles.
• Mercredi 14 Novembre 2007 de 11h00 à 12h00 à l’Amphi A :
  Hervé Abdi - Professeur à l’Université du Texas - Analyse des données et imagerie cérébrale.

Année universitaire 2006/2007

• Jeudi 26 Avril 2007 de 11h00 à 12h00 en salle 31.1.05 :
  Avner Bar-Hen - Professeur de biomathématique à l’université Paris 13 - Etude de distances entre essence forestières basées sur des dissimilaritées entre nuages de points.
• Jeudi 22 Mars 2007 de 11h00 à 12h00 en salle 33.1.14
   :
  Christiane Guinot - CERIES (Chanel) - Statistique exploratoire multidimensionnelle - Identification de différents phénotypes de psoriasis.
• Jeudi 8 Février 2007 de 11h00 à 12h00 en salle 31.1.07 :
  Arthur Tenenhaus, INSERM - CNAM - Apprentissage dans les espaces de grande dimension : Application à la caractérisation des tumeurs noires de la peau..
• Jeudi 18 Janvier 2007 de 11h00 à 12h00 en salle 33.1.11 :
  Emmanuel Jakobowicz, CNAM CEDRIC EDF - Les modèles d’équations structurelles à variables latentes appliqués à l’analyse de la satisfaction des clients.
• Jeudi 14 Décembre 2006 de 14h00 à 15h00 en salle 33.2.12 :
  Huiwen Wang, Beijing University of Aeronautics and Astronotics, School of Economics and management - Evaluation and Predictive Modeling on Epidemic Situation of SARS.
• Jeudi 23 Novembre 2006 de 14h00 à 15h00 :
  Philippe Bastien, L’Oréal - Modèle de Cox et données en très grande dimension.
• Jeudi 26 octobre 2006 à 14h00 à l’Amphi A (dit "Fabry-Perot") :
  Melle Marie Plasse, PSA-Citroen
  et CEDRIC - Utilisation conjointe des méthodes de recherche de règles d’association et de classification. Contribution à l’amélioration de la qualité des véhicules en production grâce à l’exploitation des systèmes d’information.
• Jeudi 21 septembre 2006 de 11h00 à 12h00 en salle 35.3.26 :
  Pr. Manuel Escabias, Université de Granada (Espagne) - Functional Principal Component Logistic Regression.

Année universitaire 2005/2006

• Jeudi 8 juin 2006 de 11h00 à 12h00 en salle 31.2.01 :
  Pr. Tomàs Aluja, Université Polytechnique de Catalogne (Espagne) - Study of the uncertainty in data fusion.
• Jeudi 27 avril 2006 de 11h00 à 12h00 en salle 31.3.07 :
  Dariush Ghorbanzadeh, CNAM - Modèles de rupture.
• Jeudi 23 mars 2006 de 11h00 à 12h00 en salle 31.3.07 :
  Melle Marie Plasse, PSA-Citroen
  et CEDRIC - Classification préalable à la recherche de règles d’association.
• Jeudi 2 mars 2006 de 11h00 à 12h00 en salle 31.3.07 :
  Nicolas Paul, CNAM - France Telecom RD - Filtrage particulaire.
• Jeudi 2 février 2006 de 11h00 à 12h00 en salle 31.3.07 :
  Pr. Georges Le Calvé, Université Rennes 2 - Indices de Similarité et /ou dissimilarité sur variables de Présence-Absence.
• Jeudi 19 janvier 2006 de 11h00 à 12h00 en salle 31.2.03 :
  Pr. Ali Gannoun, CNAM - Estimation de la médiane conditionnelle, application à la prévision des processus.
• Jeudi 8 décembre 2005 de 11h00 à 12h00 en salle 31.2.05 :
  Pr. Helena Bacelar-Nicolau, Universidade de Lisboa - Modèles de classification hiérarchique et indices de qualité.
• Jeudi 24 novembre 2005 de 11h00 à 12h00 en salle 31.1.03 :
  Pr. Damiana COSTANZO, Université della Calabria - Fonctional Principal Component analysis of financial time series.
• Jeudi 17 novembre 2005 de 11h00 à 12h00 en salle 31.1.05 :
  Dr Ariane ROSA, Ecole des Mines de Nantes - MSP basée sur la distance de Haussdorf.