3ᵉ Journée Doctorant·e·s Rennais·e·s en Statistique - 2026

mardi 14 avr. 2026, 09:00 → 17:00 Europe/Paris

Amphi 12 Bâtiment 32B Campus de Beaulieu

Nous sommes ravi·e·s de vous convier à la troisième édition de la Journée (ici une matinée) des (post-)Doctorant·e·s Rennais·e·s en Statistique. Cet événement a pour objectif de créer un espace d'échange où les doctorant·e·s et post-doctorant·e·s en statistiques, quelle que soit l'année de leur thèse, peuvent se rencontrer, échanger et présenter leurs travaux de recherche.

Objectif

Cette conférence vise à favoriser les échanges entre les (post-)doctorant·e·s en offrant l'opportunité de partager leurs travaux et de discuter de leurs projets avec leurs pairs permanents compris. Qu'ils soient au début de leur parcours ou sur le point de conclure leur thèse, tou·te·s les doctorant·e·s (et les post-doctorant·e·s) sont les bienvenu·e·s pour présenter leurs travaux, bénéficier de retours constructifs et établir des liens au sein de la communauté.

Ouverture à tou·te·s

Nous encourageons vivement la participation de tous les chercheurs et chercheuses du domaine ou intéressé·e·s par les statistiques pour contribuer à partager vos connaissances et participer au débat.

Date et Lieu

Le mardi 14 Avril à Rennes, sur le campus de Beaulieu, dans l'Amphi 12 du bâtiment 32B.

Comment Participer

Les (post-)doctorant·e·s souhaitant présenter leurs travaux peuvent soumettre un résumé avant le dimanche 22 mars  date buttoir repoussée au vendredi 27 mars dans l'onglet "Participation". 

Les personnes intéressées pour assister à l'événement qu'iels soient doctorants ou permanent peuvent s'inscrire en tant que participant·e·s dans l'onglet "Inscription" avant le 08 avril.

09:00 Accueil café

Session 1

Président de session: Ketsia GUICHARD (Université de Rennes - IRMAR)

1 Écologie Statistique : Une Narration Socio-Historique

Depuis une trentaine d'années environ, à l'échelle internationale et nationale, plusieurs organismes et institutions se rassemblent autour du terme d'"écologie statistique". Cela fait pourtant plusieurs centaines d'années que ces deux disciplines s'intersectent et se complètent, à travers certaines pratiques de recherche ou certaines figures du monde scientifique. Que se cache donc derrière cette nouvelle interdiscipline? À travers une narration historique parmi d'autres, une vision de l'avènement de cette communauté est proposée. L'histoire du XXe siècle nous renseigne sur certaines typologies d'échanges entre la science écologique et les statistiques. Plus récemment, nous verrons comment le mouvement biométrique français pose les bases philosophiques et méthodologiques de la pratique moderne d'écologie statistique. Une revue plus précise des techniques et des institutions de l'écologie statistique française, comme le GDR EcoStat, amènera un autre point de vue sur celle-ci. D'une manière plus générale, étudier cette interface nous renseigne sur une partie des conditions nécessaires à l'établissement d'un travail interdisciplinaire durable et enrichissant.

Orateur: Angelo Alcaraz (UBS)

2 TrichTrack : Modéliser le mouvement des trichogrammes

Les trichogrammes sont des petits insectes appartenant à la famille des guêpes. Leur qualité d'agent de biocontrôle en fait une espèce particulièrement utile dans la lutte biologique contre les ravageurs. Dans cette présentation, nous explorerons un premier modèle de diffusion de cet insecte, basé sur un modèle de Markov à 2 états cachés. Ce travail nous permet d’étudier les phases d’activité et d’inactivité des trichogrammes, et ainsi d'obtenir un premier modèle de trajectoire individuelle.

Orateur: Pauline Rocu (ENSAI)

3 Whittle estimation for point processes: a spectral pseudo-likelihood approach

Fitting parametric models to point process data is challenging because the likelihood is usually intractable. Standard approaches either replace it with a tractable surrogate, or fit summary statistics to their theoretical counterparts.
Whittle estimation is a middle ground: it builds a pseudo-likelihood from spectral statistics, doing inference in the frequency domain rather than directly on the point process. Recent work has shown this procedure leads to an estimator that is consistent and asymptotically normal.
In this talk, I will present ongoing work pairing this estimator with bootstrap confidence intervals, enabling uncertainty quantification in practice.

Orateur: Gabriel Mastrilli

10:40 Pause café

Session 2

Président de session: Mathilde Bruguet

4 An iterative approach for the semiparametric estimation of symmetric mixture densities

We study the semiparametric estimation of finite location mixtures on the real line when the component density is unknown but symmetric. The method is based on a smoothed maximum likelihood approach over finite-dimensional mixture parameters and an infinite-dimensional functional parameter, leading to a two-step iterative algorithm: a functional update for the component density and a Euclidean update for the mixture weights and locations. The algorithm satisfies a descent property for the population criterion and for its plug-in empirical version. We quantify the effect of numerical approximations in the Euclidean step and show that the resulting practical algorithm retains an approximate descent guarantee. Numerical experiments on synthetic data illustrate the method.

Orateur: Mohamed El Hasnaoui

5 Nouvelles approches au traitement des données non-ciblées de spectrométrie de masse

L’identification de nouveaux polluants d’intérêt nécessite une approche globale et non ciblée du métabolome humain, associée à des événements cliniques et de santé. La chromatographie en phase liquide couplée à la spectrométrie de masse (LC–MS) offre une large couverture du métabolome en générant des données à très forte densité informationnelle. Toutefois, ces signaux sont soumis à des sources de variabilité technique et pré-analytique. La maîtrise de ces variations par des stratégies de prévention et/ou de correction appropriées est indispensable afin de garantir la comparabilité des profils.

Dans ce contexte, nous proposons une approche méthodologique visant à corriger cette variabilité tout en préservant l’intégrité des spectres. L’approche repose sur l’introduction d’une étape d’alignement des spectres en amont de l’inférence statistique. Dans un premier temps, ce travail vise à formaliser la notion d'alignement et à définir ses critères d'évaluation quantitatifs, pour ensuite confronter et évaluer différentes options algorithmiques sur des données réelles et simulées.

Orateur: Robin BOTREL

6 A New Method to Accelerate SVM Resolution via Support Vector Identification

Ce travail porte sur l'amélioration de la résolution du problème Support Vectors Machine (SVM). Les SVMs sont très utilisés dans les tâches de machine-learning pour la classification de données. Mathématiquement cela se traduit par un problème d'optimisation à résoudre, i.e. cela revient à chercher un élément, appelé minimizer, qui minimise une fonction objectif. La résolution se fait à l'aide d'algorithmes itératifs dont le procédé est de construire une suite d'éléments qui converge vers ce minimizer.

Dans le cadre des big data, résoudre ce type de problème requiert une grosse quantité de ressources (énergétiques, temps de calcul, ...). C'est pourquoi la question de la réduction de ces coûts est légitime. La complexité d'un algorithme est cette unité de mesure qui permet de quantifier l'impact que peut avoir celui-ci. Ainsi réduire la complexité c'est réduire les coûts liés aux fonctionnement de l'algorithme.

Le travail que je propose de présenter s'inscrit donc dans cette philosophie de vouloir réduire la complexité de l'algorithme ; cela appliqué au problème des SVMs. Cela repose sur l'identification des vecteurs supports. L'idée est alors de présenter une façon d'exploiter la connaissance de certains vecteurs supports, et de présenter une méthodologie capable d'extraire cette information au cours de la résolution du problème.

Orateur: Gabriel VIELLEFON (CentraleSupélec)

12:20 Buffet