Classification et modélisation de processus ponctuels. Application en écologie.

Classification and modeling of point processes. Application in ecology.

• Auteur / Autrice : Romain Lacoste
• Direction : Christophe Denis
• Type : Projet de thèse
• Discipline(s) : Mathématiques
• Date : Inscription en doctorat le 01/09/2022
• Etablissement(s) : Université Gustave Eiffel
• Ecole(s) doctorale(s) : École doctorale Mathématiques, Sciences et Technologies de l'Information et de la Communication (Champs-sur-Marne, Seine-et-Marne ; 2010-....)
• Partenaire(s) de recherche : Laboratoire : LAMA -- Laboratoire d'Analyse et de Mathématiques Appliquées

Mots clés

Mots clés libres

Apprentissage supervisé

Processus ponctuels

Grande dimension

Sciences du vivant

Supervised learning

Point process

High dimension

Life sciences

Résumé

Dans ce travail, nous considérons la tâche de classification multiclasse où les observations sont issues d'un mélange de processus de Hawkes. Les processus de Hawkes, largement utilisés dans la littérature, sont employés pour modéliser des séquences d'événements complexes où les événements passés influencent l'arrivée d'événements futurs. Ici, l'enjeu est de proposer des procédures de classification permettant prédiction de la classe d'appartenance d'une observation de temps de sauts. Nous étudions les propriétés théoriques de telles procédures et nous réalisons leur implémentation en python.

In this work, we consider the multiclass classification task where the observations comes from a mixture of Hawkes processes. Hawkes processes, widely used in the literature, are employed to model tricky event sequences where the past events influence the future events. Here, the challenge is to propose classification procedures allowing the prediction of the class associated to a jump time observation. We study the theoretical properties of such procedures and we realize their implementation in python.