Accueil › Communications › Seminars

Seminars

From October 2001

Eight of them are invited seminars in foreign labs (Toronto – Canada; Bristol, Lancaster, Warwick, Oxford,Edinburgh – United Kingdom; Brisbane –  Australia;Geneva – Switzerland)

    1. Séminaire IA du LAAS, Toulouse; Septembre 2025
      • Reliability and Effectiveness of some Stochastic Optimization methods [slides.pdf]
    2. Séminaire du Département RISC, LAAS, Toulouse; Juin 2025
      • Approximation Stochastique en Apprentissage : Avancées récentes [slides.pdf]
    3. Séminaire de l’équipe SARA, LAAS, Toulouse; Mai 2025
      • Stochastic Approximation beyond Gradient for Statistics and Machine Learning [slides.pdf]
    4. Séminaire Math-Bio-Santé, IMT, Toulouse; Décembre 2024. Exposé donné avec J. Chevallier
      • Credibility intervals for pandemic reproduction number from Nonsmooth Langevin-type Monte Carlo sampling [slides.pdf]
    5. Séminaire de l’équipe SOLACE, LAAS-CNRS, Toulouse; Novembre 2024
      • Stochastic Approximation: Finite-time analyses and Variance reduction. [slides.pdf]
    6. Séminaire Image, Optimisation et Probabilités, IMS & IMB, Bordeaux; Novembre 2024.
      • Stochastic Approximation: Finite-time analyses and Variance reduction. [slides.pdf]
    7. (Diffusion auprès des collégiens) Présentation lors d’une journée avec des collégiens du Collège Louis Pasteur, Lavelanet; Mars 2024
    8. Séminaire de l’équipe Données et Aléatoire, Théorie et Applications (DATA)  du LJK, Grenoble; Janvier 2024
      • Stochastic Approximation Beyond Gradient [slides.pdf]
    9. Colloque de l’Institut de Santé Globale, Geneva, Switzerland; October 2023
      • Credibility Intervals for the Covid19 reproduction number  [slides.pdf]
    10. OptAzur: Optimization in French Riviera; Octobre 2023
      • Stochastic Approximation Beyond Gradient [slides.pdf]
    11. (Diffusion auprès des collégiens) Présentation lors de la journée Bus’Maths, devant des collégiens de Lavelanet, Toulouse; Juin 2023
      • Parlons SLAM
    12. Séminaire Parisien d’Optimisation, Paris; Avril 2023
      • Stochastic Variable Metric Forward-Backward with variance reduction. [slides.pdf]
    13. Séminaire du Maxwell Institute for Maxthematical Sciences, Heriot-Watt University. Edinburgh, United Kingdom; October 2022
      • Credibility Intervals for Covid19 reproduction number from Nonsmooth Langevin-type Monte Carlo sampling [slides.pdf]
    14. Séminaire du Dép de Mathématiques et Physique de l’Univ. de Queensland; Brisbane Australie; Avril 2022
      • Variance reduced Majorize-Minimization algorithms for large scale learning. [slides.pdf]
    15. Séminaire du groupe GAIA du GIPSA-Lab; Grenoble; Janvier 2022.
      • The Expectation Maximization algorithm for Federated Learning. [slides.pdf]
    16. Séminaire Statistique et Optimisation de l’IMT; Toulouse; Novembre 2021.
      • Algorithme Expectation Maximization avec réduction de variance pour l’optimisation de sommes finies. [slides.pdf]
    17. Séminaire de l’équipe MaIAGE, INRAE; Jouy-en-Josas; Septembre 2021.
      • A variance reduced Expectation Maximization algorithm for finite-sum optimization [slides.pdf]
    18. « Petit Séminaire » de l’équipe Statistique et Probabilités de l’IMT; Toulouse; Avril 2020.
      • Optimisation et Méthodes de Monte Carlo : entrelacements [slides.pdf] – séminaire en distanciel, confinement COVID-19.
    19. Workshop « Stochastic Processes and Statistical Machine Learning »; Toulouse; Mars 2019.
      • Convergence of Stochastic Approximation-based algorithms, when the Monte Carlo bias does not vanish [slides.pdf]
    20. Séminaire SPOT; Toulouse; Février 2019.
      • Convergence de méthodes de gradient stochastique à biais persistant [slide.pdf]
    21. Journées UT1-UT3; Toulouse; Septembre 2018.
      • Stochastic Optimization with Markovian Inputs [slides.pdf]
    22. Séminaire de l’équipe Mathématique et Informatique Appliquées; INRA Toulouse; Janvier 2018.
      • Algorithmes Gradient-Proximaux pour l’inférence statistique [slides.pdf]
    23. Séminaire de Statistique; Oxford, Royaume-Uni; Février 2017.
      • Convergence of perturbed Proximal Gradient Algorithms [slides.pdf]
    24. Séminaire de Statistique; Institut de Mathématiques de Toulouse; Janvier 2017.
      • Convergence d’algorithmes gradient-proximaux perturbés [slides.pdf]
    25. Séminaire du groupe TII du LTCI; Paris; Octobre 2015
      • Méthodes de Monte Carlo par Chaînes de Markov [slides.pdf]
    26. Journées AppliBUGS; Paris; Juin 2015
      • Dynamiques bien tempérées pour l’exploration Monte Carlo de lois multimodales [slides.pdf]
    27. Journées Phon&Stats « Sélection dans les modèles mixtes »; Laboratoire Jean Kuntzmann, Grenoble; Novembre 2014.
      • Stochastic Proxima Gradient Algorithms [slides.pdf]
    28. Séminaire du CMAP; Ecole Polytechnique; Avril 2014
      • Convergence of some Adaptive Biasing Potential algorithms [slides.pdf]
    29. Journée LIESSE « Enseigner les probabilités en Grande Ecole … et bientôt en Classes Préparatoires »; Telecom ParisTech; Mai 2012.
      • Chaînes de Markov finies et Simulation – conférence d’E. Moulines donnée par G. Fort [slides.pdf]
    30. Séminaire de Statistique du Laboratoire Jean Kuntzman; Grenoble; Avril 2012.
      • Estimation of cosmological parameters using adaptive importance sampling [slides.pdf]
    31. Journée du Département TSI; Paris; Juin 2011.
      • Inférence statistique en ligne dans les modèles de Markov cachées. Application au SLAM sous-marin [slides.pdf]
    32. Séminaire de l’I3M; Montpellier; Janvier 2011
      • Méthodes MCMC adaptatives
    33. Séminaire du CMAP; Ecole Polytechnique, Novembre 2010.
    34. Séminaire Méthodes de Monte Carlo en Grande Dimension; Paris; Octobre 2010.
      • Méthodes de Monte Carlo adaptatives et Approximation Stochastique [slides.pdf]
    35. Soutenance d’HDR; Paris; Février 2010.
      • Méthodes de Monte Carlo et Chaînes de Markov pour la simulation [slides.pdf]
    36. Séminaire Méthodes de Monte Carlo en grande dimension (Big’MC); Paris; Juin 2009.
      • Théorèmes limites pour les échantillonneurs MCMC adaptatifs [slides.pdf]
    37. Journée GDR ISIS « Problèmes inverses »; Paris; Mars 2009
      • MCMC et approximations en champs moyen pour les modèles de Markov [slides.pdf]
    38. Séminaire du département de Statistique; Warwick, Royaume-Uni; Juin 2008
      • Stability of Markov chains based on fluid limit techniques. Applications to MCMC [slides.pdf]
    39. Séminaire de l’Institut de Mathématiques de Bordeaux; Mars 2008
      • Stabilité des Chaînes de Markov par la méthode des limites fluides. Applications à l’étude des méthodes MCMC adaptatives [slides.pdf]
    40. Séminaire de Statistique du Laboratoire de Statistique et Probabilités; Toulouse; Janvier 2008.
      • Stabilité des Chaînes de Markov par la méthode des limites fluides. Applications à l’étude des méthodes MCMC adaptatives [slides.pdf]
    41. Séminaire de Statistique du Laboratoire Jean Kuntzman; Grenoble; Mai 2007
      • Limites fluides de quelques échantillonneurs MCMC [slides.pdf]
    42. Séminaire TREK de l’ENS; Paris; Février 2007
      • Limites fluides et Stabilité des Chaînes de Markov. Application aux échantillonneurs MCMC [slides.pdf]
    43. Séminaire Parisien de Statistiques; Paris; Novembre 2006.
      • Limites fluides et Stabilité des Chaînes de Markov. Application aux échantillonneurs MCMC [slides.pdf]
    44. Séminaire du Dpt de Statistique; Bristol, Royaume-Uni; Mars 2005.
      • Ergodicity of Markov chains with general state space: regularity, drift conditions, subgeometric and geometric ergodicity.
    45. Séminaire de Statistique et Modélisation Stochastique; Grenoble; Juin 2004
      • L’algorithme Ridge-Partial Least Squares et Application à la classification de puces à ADN [slides.ps]
    46. Séminaire SAMOS; Paris; Mai 2004.
      • L’algorithme Ridge-Partial Least Squares et Application à la classification de puces à ADN [slides.ps]
    47. Séminaire de Statistique; Toronto, Canada; Novembre 2002.
      • A drift criterion for subgeometric ergodicity of Markov transition kernel
    48. Séminaire de Statistique; Lille; Janvier 2002.
      • Critère d’ergodicité polynomiale : applications à l’analyse de convergence d’algorithmes MCMC [slides.ps]
    49. Séminaire de Statistique et Modélisation Stochastique; Grenoble; Décembre 2001.
      • Critère d’ergodicité polynomiale : applications à l’analyse de convergence d’algorithmes MCMC [slides.ps]
    50. Soutenance de thèse; Paris; Juin 2001
      • Contrôle explicite d’ergodicité de Chaînes de Markov. Applications à l’analyse de convergence de l’algorithme Monte Carlo EM [slides.ps.gz]
Mentions Légales