19 juin 2017

 
Remise des Palmes Académiques à Thierry Ramond

Plus d'infos...

iCal

Résumé : Thierry Ramond sera décoré des palmes académiques pour services éminents rendus à l’Education Nationale. Un pot festif aura lieu à cette occasion. Félicitations Thierry !
Voir lien

Remise des Palmes Académiques à Thierry Ramond  Version PDF

Jerome Buzzi (Orsay)
Mesures d’entropie maximale pour les diffeomorphismes de surface

Plus d'infos...

iCal

Lieu : salle 121-123

Résumé : Nous montrons qu’un diffeomorphisme de surface de regularite C^infini a un nombre fini de mesures d’entropie maximale si son entropie topologique est non nulle. Il y a unicite si le diffeomorphisme est de plus topologiquement transitif.
La preuve combine codage par decalage de Markov (du `a Sarig), analyse de la connexion homocline entre mesures et etude des dimensions transverses de feuilletages stables et instables.
Collaboration avec S.Crovisier et O.Sarig.

Mesures d’entropie maximale pour les diffeomorphismes de surface  Version PDF

Stéphanie Allassonnière (Université Paris Descartes)
Mixed-effect model for the spatiotemporal analysis of longitudinal manifold-valued data
(exposé en français)
iCal

Lieu : Bât. 425, Petit Amphi

Résumé : In this talk, I propose to present a generic hierarchical spatiotemporal model for longitudinal manifold-valued data, which consist in repeated measurements over time for a group of individuals. This model allows us to estimate a group-average trajectory of progression, considered as a geodesic of a given Riemannian manifold. Individual trajectories of progression are obtained as random variations, which consist in parallel shifting and time reparametrization, of the average trajectory. These spatiotemporal transformations allow us to characterize changes in the direction and in the pace at which trajectories are followed. We propose to estimate the parameters of the model using a stochastic version of the expectation-maximization (EM) algorithm, the Monte Carlo Markov Chain Stochastic Approximation EM (MCMC SAEM) algorithm.
This generic spatiotemporal model is used to analyze the temporal progression of a family of biomarkers. This progression model estimates a normative scenario of the progressive impairments of several cognitive functions, considered here as biomarkers, during the course of Alzheimer’s disease. The estimated average trajectory provides a normative scenario of disease progression. Random effects provide unique insights into the variations in the ordering and timing of the succession of cognitive impairments across different individuals.

Mixed-effect model for the spatiotemporal analysis of longitudinal manifold-valued data
(exposé en français)  Version PDF

juin 2017 :

mai 2017 | juillet 2017