20 décembre 2018

Jeudi 20 décembre 14:00-15:00 Bertrand Rémy (École Polytechnique)
Invariance quasi-isométrique de la cohomologie L^p continue, et premières applications d’annulation (avec Marc Bourdon)

Plus d'infos...

Lieu : salle 2L8 (IMO, bâtiment 307)

Résumé : Nous démontrons que la cohomologie L^p continue des groupes localement compacts à base dénombrable d’ouverts est un invariant par quasi-isométrie. Comme application, nous obtenons des résultats partiels soutenant une question posée par M. Gromov suggérant un comportement classique de la cohomologie L^p continue des groupes de Lie réels simples. Outre l’invariance par quasi-isométrie, les outils pour cela sont un argument de suite spectrale et des résultats d’annulation de Pansu concernant les espaces hyperboliques réels. Dans les cas de groupes de Lie simples les mieux adaptés, nous obtenons à peu près la moitié des annulations pertinentes.

Notes de dernières minutes : Café culturel assuré à 13h par Pierre Pansu.

Invariance quasi-isométrique de la cohomologie L^p continue, et premières applications d’annulation (avec Marc Bourdon)  Version PDF

Jeudi 20 décembre 14:00-15:00 Antoine Channarond (Université de Rouen)
Clustering dans un modèle de graphe aléatoire à positions latentes

Plus d'infos...

Résumé : On considère le modèle de graphe aléatoire suivant : les noeuds sont aléatoirement disposés dans un espace euclidien selon une certaine densité non-paramétrique f et la probabilité de connexion entre deux noeuds ne dépend que de la distance entre eux. D’un point de vue statistique, les positions des noeuds ne sont pas observées : elles sont dites latentes. Seul le graphe est observé. Un défi majeur dans ce contexte est d’obtenir de l’information sur l’espace latent à partir du graphe seulement. L’exposé abordera les problème d’estimation des distances et de clustering des noeuds du graphe : les clusters sont définis comme les composantes connexes d’un ensemble de niveau t de la densité f, et il s’agit d’inférer quels noeuds sont dans l’ensemble de niveau, et dans quel cluster.

Clustering dans un modèle de graphe aléatoire à positions latentes  Version PDF