Chers étudiants, vous êtes les bienvenus de me contacter pour entreprendre des études supérieures sous ma supervision. Je peux vous encadrer dans le cadre d'un mémoire de recherche ou d'une thèse. Alternativement, vous pouvez participer à un de mes projets de recherche collaborative avec l'industrie.

En statistique bayésienne, les lois de probabilités qu'il est habituel de rencontrer en pratique sont généralement compliquées: modèles de vraisemblance non linéaires/non gaussiens, constantes incalculables, données manquantes, etc. Parallélement, l'accroissement des puissances de calculs permettent de considérer à présent des modèles paramètriques de (très) grandes dimensions et d'en faire l'apprentissage grâce à un (très) grand nombre de données. De tels scenarios mettent souvent en échec les outils d'inférence statistique classiques tels que les algorithmes du gradient, Expectation Maximisation ou encore les méthodes de Monte Carlo par chaîne de Markov. 

Je m'intéresse aux questions liées à l'approximation de ces algorithmes classiques et en particulier à leur convergence. De ces approximations résultent des algorithmes "bruités" qui n'héritent généralement pas des propriétés agréables que possèdent les algorithmes classiques: estimateur sans biais, normalité asymptotique, taux de convergence optimal, invariance, etc. Comment construire des algorithmes efficaces à la fois d'un point de vue statistique (théorique) et computationel (en pratique, i.e implémentable et viable)? Mais cette question est couplée avec une autre: quelles cadres théoriques peuvent être utilisés/adaptés pour construire ces approximations?

Les domaines d'application qui m'intéressent sont entre autre le traîtement de l'image (modèles à prototypes déformables), les modèles de graphes aléatoires et les modèles de dynamique moléculaire.

Mes interêts de recherche principaux se concentrent sur les applications de la statistique et de la probabilité aux problèmes traitant de la bioinformatique, des sciences sociales et de la santé, data mining et machine learning, de l'identification d'objets, et du traitement de signaux.

Mes intérêts de recherche portent essentiellement sur les aspects théoriques de la statistique. Cela comprend la théorie de la décision, l'approche bayésienne, les statistiques multidimensionnelles et plus spécifiquement les méthodes de simulations plus connues sous le terme MCMC ( simulation de Monte Carlo par chaînes de Markov ). L'un de mes projets consiste à développer un algorithme qui permet de créer une chaîne de Markov dont la distribution stationnaire est fixée à l'avance tout en étant capable d'identifier les distributions intermédiaires à chaque étape dans le temps. Ce nouvel algorithme serait appelé à compétitionner avec le très populaire algorithme de Metropolis et Hastings. En fait, l'algorithme que je cherche à développer généralise en quelque sorte l'algorithme selon la méthode d'acceptation rejet.