Modeles graphiques robustes

par Karina Ashurbekova

Projet de thèse en Signal image parole telecoms


Sous la direction de Sophie Achard et de Florence Forbes.

Thèses en préparation à Grenoble Alpes , dans le cadre de Electronique, Electrotechnique, Automatique, Traitement du Signal (EEATS) , en partenariat avec Grenoble Images Parole Signal Automatique (laboratoire) et de Images et Signal : VISION AND BRAIN SIGNAL PROCESSING (VIBS) (equipe de recherche) depuis le 01-10-2016 .


  • Résumé

    Le contexte de la thèse est l'estimation robuste de modèles graphiques. Nous nous appuierons sur des résultats récents utilisant des loi de student pour modéliser la distribution des données. Nous proposons 2 nouvelles méthodes conçues pour les distributions à queue lourde. En plus, la nouvelle méthode est présentée pour construire les graphiques basées simultanément sur l'indépendance conditionnelle et celle de marginale. On vous donne les résultats sur les données reel. Voir la version anglaise detaillee.

  • Titre traduit

    Robust Graphical Models


  • Résumé

    The aim of the thesis is to inference robust graphical models. A major limitation of recent work is the Gaussian assumption. Indeed, it is often observed that real data present outliers and methods based on Gaussian approximation can be less robust. Specific perspectives can be proposed to overcome these difficulties. precisely, we propose 2 new methods designed for heavy-tailed data. The first one is robust graphical models based on using an alternative to Gaussian assumption, multivariate t-distribution. The main idea is to use the penalized likelihood approache. The second proposed approach is based on replacing the sample covariance matrix by its robust estimator in the existing method. The existing methods to infer the graph use either conditional dependencies or marginal dependencies. We also propose the way to consider simultaneously both conditional and marginal dependencies and to address the problem of estimating them from observed data. Finally, we give some preliminary results on real data.