12:00 à 15:00 Autre Pot de soutenance de thèse de Margaux THOREZ Margaux Thorez va soutenir sa thèse le mercredi 11 Décembre à partir de 10h. Suite à cette soutenance, Margaux Thorez va organiser un pot. Je souhaiterais donc réserver le couloir du 2ème étage FRUMAM (nous n'avons pas besoin de la salle de séminaire du 2ème étage car j'ai réservé la salle FRUMAM séminaire 3ème étage et car théoriquement le séminaire de doctorants a lieu en salle de séminaire FRUMAM 2ème étage).
11:00 à 12:00 Séminaire Séminaire AA Séminaire de l'équipe Analyse Appliquée
13:30 à 16:30 Séminaire Retransmission de la Journée autour du doctorat 2024 de la SIF La SIF organise chaque année une journée qui présente les débouchés d'un doctorat en informatique. Cette manifestation a pour vocation d'être retransmise dans les universités.
https://www.socinfo.fr/?agenda=journee-du-doctorat-2024
10:30 à 12:00 Séminaire Séminaire doctorant
08:30 à 18:00 Séminaire HYPERBO
11:00 à 12:30 Séminaire Séminaire Rauzy
14:00 à 15:30 Séminaire Séminaire signal-apprentissage : Marc Castella Title
-----
Unsupervised linear component analysis for (some) probability mixtures
Abstract
--------
We deal with a model where a set of observations is obtained by a linear
superposition of unknown components called sources. The problem consists in
recovering the sources without knowing the linear transform. We extend the
well-known Independent Component Analysis (ICA) methodology. Instead of assuming
independent source components, we assume that the source vector is a probability
mixture of two distributions, only one of which satisfies the ICA
assumptions. Concerning the other component of the mixture, two scenarios have
been considered:
- in case where a model is available, we show how the Iterative Conditional
Estimation (ICE) can be applied
- in case where the samples are concentrated in a restricted but unknown area,
we propose to cluster them based on a data-driven distance. A theoretical
grounding is provided through a link with the Christoffel function.
The considered approaches are fully unsupervised and do not involve any learning
based on a training set.
