Assas Recherche | Modèles à blocs stochastiques, classifications et applications

Modèles à blocs stochastiques, classifications et applications (Document en Anglais)

Accès au(x) document(s)

Accéder au(x) document(s) :

Ce document est protégé en vertu du Code de la Propriété Intellectuelle.

Version :

Thèse avec 2 versions : seule la version intégrale est proposée ; sur authentification (communication intranet).

Informations sur les contributeurs

Auteur : El Haj Abir

El Haj, Abir

Nom

El Haj

Prénom

Abir

Nationalité

Date de soutenance : 29-11-2019

Directeur(s) de thèse : Slaoui Yousri

Slaoui, Yousri

Nom

Slaoui

Prénom

Yousri

- Khraibani Zaher

Khraibani, Zaher

Nom

Khraibani

Prénom

Zaher

- Louis Pierre-Yves

Louis, Pierre-Yves

Nom

Louis

Prénom

Pierre-Yves

Etablissement de soutenance : Poitiers

Poitiers

Nom

Poitiers

- Université Libanaise

Université Libanaise

Nom

Université Libanaise

Laboratoire : Laboratoire de mathématiques et applications (Poitiers ; 2000-...)

Laboratoire de mathématiques et applications (Poitiers ; 2000-...)

Nom

Laboratoire de mathématiques et applications (Poitiers ; 2000-...)

- Laboratoire de Mathématiques et Applications / LMA-Poitiers

Laboratoire de Mathématiques et Applications / LMA-Poitiers

Nom

Laboratoire de Mathématiques et Applications / LMA-Poitiers

Ecole doctorale : École doctorale Sciences et Ingénierie des Systèmes, Mathématiques, Informatique (Limoges ; 2018-2022)

École doctorale Sciences et Ingénierie des Systèmes, Mathématiques, Informatique (Limoges ; 2018-2022)

Nom

École doctorale Sciences et Ingénierie des Systèmes, Mathématiques, Informatique (Limoges ; 2018-2022)

Informations générales

Discipline : Mathématiques appliquées
Classification : Mathématiques

Mots-clés libres : Modèle à blocs stochastiques binomial, Classification, Fouille de texte, Inférence variationnelle, Réseaux pondérés, Inférence bayésienne variationnelle, Modèle à blocs stochastiques avec des noeuds pondérés attribués, Données EEG
Mots-clés :

Exploration de données
Graphes aléatoires
Électroencéphalographie
Réseaux complexes (mathématiques) - Classification
Variables latentes

Résumé : Cette thèse de doctorat porte sur l’analyse de réseaux pondérés, graphes finis où chaque arête est associée à un poids représentant l’intensité de sa force. Nous introduisons une extension du modèle à blocs stochastiques (SBM) binaire, appelée modèle à blocs stochastiques binomial (bSBM). Cette question est motivée par l’étude des réseaux de co-citations dans un contexte de fouille de textes où les données sont représentées par un graphe. Les noeuds sont des mots et chaque arête joignant deux mots est pondérée par le nombre de documents inclus dans le corpus citant simultanément cette paire de mots. Nous développons une méthode d’inférence basée sur l’algorithme espérance maximisation variationnel (EMV) pour estimer les paramètres du modèle proposé ainsi que pour classifier les mots du réseau. Puis nous adoptons une méthode qui repose sur la maximisation d’un critère ICL (en anglais integrated classification likelihood) pour sélectionner le modèle optimal et le nombre de clusters. D’autre part, nous développons une approche variationnelle pour traiter le réseau et nous comparons les deux approches. Des applications à des données réelles sont adoptées pour montrer l’efficacité des deux méthodes ainsi que pour les comparer. Enfin, nous développons un SBM avec plusieurs attributs pour traiter les réseaux ayant des poids associés aux noeuds. Nous motivons cette méthode par une application qui vise au développement d’un outil d’aide à la spécification de différents traitements cognitifs réalisés par le cerveau lors de la préparation à l’écriture.

Informations techniques

Type de contenu : Text, Image, StillImage
Format : PDF

Informations complémentaires

Entrepôt d'origine :

STAR : dépôt national des thèses électroniques françaises

Identifiant : 2019POIT2300
Type de ressource : Thèse