Processus stationnaires sur des graphes
Thibault Espinasse
Universit ´e Paul Sabatier
6 mai 2010, JPS, Mont-Dore
Plan de l’expos ´e
1 Introduction
2 Mod `ele
3 Application : Maximum de vraisemblance
Table des Mati `eres
1 Introduction
2 Mod `ele
3 Application : Maximum de vraisemblance
Origine du probl `eme
Traffic routier :Pr ´edire en temps r ´eel des temps de parcours Capteurs sur la route : d ´efaillance
Donn ´ees localistion GPS, t ´el ´ephones : non homog `enes But : Reconstitueer les donn ´ees
Actuellement : Pas d’exploitation de d ´ependance spatiale ni temporelle (R ´egression...)
Objectif
Proposer un mod `ele statique utilisant la d ´ependance spatiale,
Origine du probl `eme
Traffic routier :Pr ´edire en temps r ´eel des temps de parcours Capteurs sur la route : d ´efaillance
Donn ´ees localistion GPS, t ´el ´ephones : non homog `enes But : Reconstitueer les donn ´ees
Actuellement : Pas d’exploitation de d ´ependance spatiale ni temporelle (R ´egression...)
Objectif
Proposer un mod `ele statique utilisant la d ´ependance spatiale,
Origine du probl `eme
Traffic routier :Pr ´edire en temps r ´eel des temps de parcours Capteurs sur la route : d ´efaillance
Donn ´ees localistion GPS, t ´el ´ephones : non homog `enes But : Reconstitueer les donn ´ees
Actuellement : Pas d’exploitation de d ´ependance spatiale ni temporelle (R ´egression...)
Objectif
Proposer un mod `ele statique utilisant la d ´ependance spatiale,
Origine du probl `eme
Traffic routier :Pr ´edire en temps r ´eel des temps de parcours Capteurs sur la route : d ´efaillance
Donn ´ees localistion GPS, t ´el ´ephones : non homog `enes But : Reconstitueer les donn ´ees
Actuellement : Pas d’exploitation de d ´ependance spatiale ni temporelle (R ´egression...)
Objectif
Proposer un mod `ele statique utilisant la d ´ependance spatiale,
Origine du probl `eme
Traffic routier :Pr ´edire en temps r ´eel des temps de parcours Capteurs sur la route : d ´efaillance
Donn ´ees localistion GPS, t ´el ´ephones : non homog `enes But : Reconstitueer les donn ´ees
Actuellement : Pas d’exploitation de d ´ependance spatiale ni temporelle (R ´egression...)
Objectif
Proposer un mod `ele statique utilisant la d ´ependance spatiale,
Origine du probl `eme
Traffic routier :Pr ´edire en temps r ´eel des temps de parcours Capteurs sur la route : d ´efaillance
Donn ´ees localistion GPS, t ´el ´ephones : non homog `enes But : Reconstitueer les donn ´ees
Actuellement : Pas d’exploitation de d ´ependance spatiale ni temporelle (R ´egression...)
Objectif
Proposer un mod `ele statique utilisant la d ´ependance spatiale,
Table des Mati `eres
1 Introduction
2 Mod `ele
3 Application : Maximum de vraisemblance
Pr ´esentation du probl `eme
Observation: Comportement des conducteurs ind ´ependant de la position dans le r ´eseau
Id ´ee :Proposer un mod `ele de covariance “stationnaire” et
“isotrope” g ´en ´eralisant les notions suivantes : SurZinvariance par translation
SurZd invariance par rotations/translations Arbres homog `enes, graphes de Cayley...
⇒invariance par automorphisme de graphe
Pr ´esentation du probl `eme
Observation: Comportement des conducteurs ind ´ependant de la position dans le r ´eseau
Id ´ee :Proposer un mod `ele de covariance “stationnaire” et
“isotrope” g ´en ´eralisant les notions suivantes : SurZinvariance par translation
SurZd invariance par rotations/translations Arbres homog `enes, graphes de Cayley...
⇒invariance par automorphisme de graphe
Pr ´esentation du probl `eme
Observation: Comportement des conducteurs ind ´ependant de la position dans le r ´eseau
Id ´ee :Proposer un mod `ele de covariance “stationnaire” et
“isotrope” g ´en ´eralisant les notions suivantes : SurZinvariance par translation
SurZd invariance par rotations/translations Arbres homog `enes, graphes de Cayley...
⇒invariance par automorphisme de graphe
Pr ´esentation du probl `eme
Observation: Comportement des conducteurs ind ´ependant de la position dans le r ´eseau
Id ´ee :Proposer un mod `ele de covariance “stationnaire” et
“isotrope” g ´en ´eralisant les notions suivantes : SurZinvariance par translation
SurZd invariance par rotations/translations Arbres homog `enes, graphes de Cayley...
⇒invariance par automorphisme de graphe
D ´efinitions
G= (S,W)graphe infini pond ´er ´e Ssommets (infini d ´enombrable) W ∈RS×S op ´erateur de poids W agit surl2(S)
H0:Gde degr ´e born ´e pard,
AlorsW born ´e en tant qu’op ´erateurBS :=l2(S)→l2(S)
D ´efinitions
G= (S,W)graphe infini pond ´er ´e Ssommets (infini d ´enombrable) W ∈RS×S op ´erateur de poids W agit surl2(S)
H0:Gde degr ´e born ´e pard,
AlorsW born ´e en tant qu’op ´erateurBS :=l2(S)→l2(S)
D ´efinitions
G= (S,W)graphe infini pond ´er ´e Ssommets (infini d ´enombrable) W ∈RS×S op ´erateur de poids W agit surl2(S)
H0:Gde degr ´e born ´e pard,
AlorsW born ´e en tant qu’op ´erateurBS :=l2(S)→l2(S)
D ´emarche
Cadre : Gaussien centr ´e
⇒D ´efinir classes de covariances de processus stationnaires Covariance dansBS
Invariance par automorphisme si il en existe
Contient fonctions positives deW,Dop ´erateur de degr ´es, L=D−W Laplacien discret...
D ´emarche
Cadre : Gaussien centr ´e
⇒D ´efinir classes de covariances de processus stationnaires Covariance dansBS
Invariance par automorphisme si il en existe
Contient fonctions positives deW,Dop ´erateur de degr ´es, L=D−W Laplacien discret...
D ´emarche
Cadre : Gaussien centr ´e
⇒D ´efinir classes de covariances de processus stationnaires Covariance dansBS
Invariance par automorphisme si il en existe
Contient fonctions positives deW,Dop ´erateur de degr ´es, L=D−W Laplacien discret...
Id ´ee : Invariance par automorphisme
D ´emarche
Cadre : Gaussien centr ´e
⇒D ´efinir classes de covariances de processus stationnaires Covariance dansBS
Invariance par automorphisme si il en existe
Contient fonctions positives deW,Dop ´erateur de degr ´es, L=D−W Laplacien discret...
Probl `eme : Pas d’automorphisme non triviaux g ´en ´eralement
D ´emarche
Cadre : Gaussien centr ´e
⇒D ´efinir classes de covariances de processus stationnaires Covariance dansBS
Invariance par automorphisme si il en existe
Contient fonctions positives deW,Dop ´erateur de degr ´es, L=D−W Laplacien discret...
Idee : Prendre fonctions deW,L...
D ´emarche
Cadre : Gaussien centr ´e
⇒D ´efinir classes de covariances de processus stationnaires Covariance dansBS
Invariance par automorphisme si il en existe
Contient fonctions positives deW,Dop ´erateur de degr ´es, L=D−W Laplacien discret...
Probl `eme : Choix arbitraire
D ´emarche
Cadre : Gaussien centr ´e
⇒D ´efinir classes de covariances de processus stationnaires Covariance dansBS
Invariance par automorphisme si il en existe
Contient fonctions positives deW,Dop ´erateur de degr ´es, L=D−W Laplacien discret...
Id ´ee : Construire op ´erateurs de ce type
D ´efinition (Fonctions invariantesIS) Φde BSdans BS invariante si
∀σ ∈ S,∀W ∈BS,Φ(W ◦σ) = Φ(W)◦σ
∀W ∈BS,Φ(WT) = (Φ(W))T
Remarque : Conditions de sym ´etries sur les variables D ´efinition
(Xi)i∈G de covariance K Gaussien stationnaire si
D ´efinition (Fonctions invariantesIS) Φde BSdans BS invariante si
∀σ ∈ S,∀W ∈BS,Φ(W ◦σ) = Φ(W)◦σ
∀W ∈BS,Φ(WT) = (Φ(W))T
Remarque : Conditions de sym ´etries sur les variables D ´efinition
(Xi)i∈G de covariance K Gaussien stationnaire si
D ´efinition (Fonctions invariantesIS) Φde BSdans BS invariante si
∀σ ∈ S,∀W ∈BS,Φ(W ◦σ) = Φ(W)◦σ
∀W ∈BS,Φ(WT) = (Φ(W))T
Remarque : Conditions de sym ´etries sur les variables D ´efinition
(Xi)i∈G de covariance K Gaussien stationnaire si
D ´efinition (Fonctions invariantesIS) Φde BSdans BS invariante si
∀σ ∈ S,∀W ∈BS,Φ(W ◦σ) = Φ(W)◦σ
∀W ∈BS,Φ(WT) = (Φ(W))T
Remarque : Conditions de sym ´etries sur les variables D ´efinition
(Xi)i∈G de covariance K Gaussien stationnaire si
Remarque :
Compatibilit ´e avec d ´efinitions existantes ContientL,L,˜ W,· · ·
SoitA= Φ(W),Φ∈IS, tel que
Wij =0⇒Aij =0
ProcessusMAA
(Xi)i∈G de covarianceK estMAA si
∃f,K =σ2P(A)TP(A)
Remarque :
Compatibilit ´e avec d ´efinitions existantes ContientL,L,˜ W,· · ·
SoitA= Φ(W),Φ∈IS, tel que
Wij =0⇒Aij =0
ProcessusMAA
(Xi)i∈G de covarianceK estMAA si
∃f,K =σ2P(A)TP(A)
Remarque :
Compatibilit ´e avec d ´efinitions existantes ContientL,L,˜ W,· · ·
SoitA= Φ(W),Φ∈IS, tel que
Wij =0⇒Aij =0
ProcessusMAA
(Xi)i∈G de covarianceK estMAA si
∃f,K =σ2P(A)TP(A)
Remarque :
Compatibilit ´e avec d ´efinitions existantes ContientL,L,˜ W,· · ·
SoitA= Φ(W),Φ∈IS, tel que
Wij =0⇒Aij =0
ProcessusMAA
(Xi)i∈G de covarianceK estMAA si
∃f,K =σ2P(A)TP(A)
Table des Mati `eres
1 Introduction
2 Mod `ele
3 Application : Maximum de vraisemblance
Position du probl `eme
Probl `eme :
(fθ)θ∈Θfamille param ´etrique de densit ´es GN suite de sous graphes emboit ´es (Xi)i∈G MAAde densit ´efθ0 observ ´e surGN On veutestimerθ0par max de vraisemblance
KN(f): covariance du processus de densit ´ef restreint `aGN (comme pour Toeplitz)
H1:Convergence ´etroite de la mesure spectrale empirique de AsurGN versµ
Position du probl `eme
Probl `eme :
(fθ)θ∈Θfamille param ´etrique de densit ´es GN suite de sous graphes emboit ´es (Xi)i∈G MAAde densit ´efθ0 observ ´e surGN On veutestimerθ0par max de vraisemblance
KN(f): covariance du processus de densit ´ef restreint `aGN (comme pour Toeplitz)
H1:Convergence ´etroite de la mesure spectrale empirique de AsurGN versµ
Position du probl `eme
Probl `eme :
(fθ)θ∈Θfamille param ´etrique de densit ´es GN suite de sous graphes emboit ´es (Xi)i∈G MAAde densit ´efθ0 observ ´e surGN On veutestimerθ0par max de vraisemblance
KN(f): covariance du processus de densit ´ef restreint `aGN (comme pour Toeplitz)
H1:Convergence ´etroite de la mesure spectrale empirique de AsurGN versµ
Position du probl `eme
Probl `eme :
(fθ)θ∈Θfamille param ´etrique de densit ´es GN suite de sous graphes emboit ´es (Xi)i∈G MAAde densit ´efθ0 observ ´e surGN On veutestimerθ0par max de vraisemblance
KN(f): covariance du processus de densit ´ef restreint `aGN (comme pour Toeplitz)
H1:Convergence ´etroite de la mesure spectrale empirique de AsurGN versµ
G ´en ´eralisation de Z
Z,[1,N]
µ= 2π1λsurT 2=o(N) Aij =11j=i+1
T(f) =σ2P(A)TP(A), f =σ2|P|2
∆k =k, α(f) =P
kk|fk|
G,GN o o o o o
oH1:Mesure spectraleµ o
o o o o
oH2:]∂GN =o(]GN) o
o o o o
oXA∈S1 o
o o o o
oXK(f) =σ2P(A)TP(A), f =σ2|P|2
o o o o o
oXα(f) =P
k∆k|fk|
G ´en ´eralisation de Z
Z,[1,N]
µ= 2π1λsurT 2=o(N) Aij =11j=i+1
T(f) =σ2P(A)TP(A), f =σ2|P|2
∆k =k, α(f) =P
kk|fk|
G,GN o o o o o
oH1:Mesure spectraleµ o
o o o o
oH2:]∂GN =o(]GN) o
o o o o
oXA∈S1 o
o o o o
oXK(f) =σ2P(A)TP(A), f =σ2|P|2
o o o o o
oXα(f) =P
k∆k|fk|
G ´en ´eralisation de Z
Z,[1,N]
µ= 2π1λsurT 2=o(N) Aij =11j=i+1
T(f) =σ2P(A)TP(A), f =σ2|P|2
∆k =k, α(f) =P
kk|fk|
G,GN o o o o o
oH1:Mesure spectraleµ o
o o o o
oH2:]∂GN =o(]GN) o
o o o o
oXA∈S1 o
o o o o
oXK(f) =σ2P(A)TP(A), f =σ2|P|2
o o o o o
oXα(f) =P
k∆k|fk|
G ´en ´eralisation de Z
Z,[1,N]
µ= 2π1λsurT 2=o(N) Aij =11j=i+1
T(f) =σ2P(A)TP(A), f =σ2|P|2
∆k =k, α(f) =P
kk|fk|
G,GN o o o o o
oH1:Mesure spectraleµ o
o o o o
oH2:]∂GN =o(]GN) o
o o o o
oXA∈S1 o
o o o o
oXK(f) =σ2P(A)TP(A), f =σ2|P|2
o o o o o
oXα(f) =P
k∆k|fk|
G ´en ´eralisation de Z
Z,[1,N]
µ= 2π1λsurT 2=o(N) Aij =11j=i+1
T(f) =σ2P(A)TP(A), f =σ2|P|2
∆k =k, α(f) =P
kk|fk|
G,GN o o o o o
oH1:Mesure spectraleµ o
o o o o
oH2:]∂GN =o(]GN) o
o o o o
oXA∈S1 o
o o o o
oXK(f) =σ2P(A)TP(A), f =σ2|P|2
o o o o o
oXα(f) =P
k∆k|fk|
G ´en ´eralisation de Z
Z,[1,N]
µ= 2π1λsurT 2=o(N) Aij =11j=i+1
T(f) =σ2P(A)TP(A), f =σ2|P|2
∆k =k, α(f) =P
kk|fk|
G,GN o o o o o
oH1:Mesure spectraleµ o
o o o o
oH2:]∂GN =o(]GN) o
o o o o
oXA∈S1 o
o o o o
oXK(f) =σ2P(A)TP(A), f =σ2|P|2
o o o o o
oXα(f) =P
k∆k|fk|
Lemmes de Szeg ¨o
Z:
1
N log(det(TN(f)))→ Z
log(f(λ))dµ(λ)
Lemmes de Szeg ¨o
Lemme du determinant 1
]GNlog(det(KN(f)))→ Z
log(f(λ))dµ(λ)
Lemmes de Szeg ¨o
Lemme du determinant 1
]GNlog(det(KN(f)))→ Z
log(f(λ))dµ(λ)
Z:
TN(f)−1≈TN(1 f)
Lemmes de Szeg ¨o
Lemme du determinant 1
]GNlog(det(KN(f)))→ Z
log(f(λ))dµ(λ)
Lemme d’inversion
KN(f)−1≈KN(1 f)
Lemmes de Szeg ¨o
Lemme du determinant 1
]GNlog(det(KN(f)))→ Z
log(f(λ))dµ(λ)
Lemme d’inversion
KN(f)−1≈KN(1 f)
⇒Convergence des estimateurs
On construit les vraisemblances approch ´ees utilisant les deux lemmes pr ´ec ´edents.
Th ´eor `eme
Sous des hypoth `eses “classiques”, et pour des classes de densit ´es assez r ´eguli `eres,tous les estimateursde max de vraisemblances approch ´eesconvergentvers la vraie valeur.
On construit les vraisemblances approch ´ees utilisant les deux lemmes pr ´ec ´edents.
Th ´eor `eme
Sous des hypoth `eses “classiques”, et pour des classes de densit ´es assez r ´eguli `eres,tous les estimateursde max de vraisemblances approch ´eesconvergentvers la vraie valeur.
Pistes de recherche
Probl `emes connexes
Extension aux cas de densit ´es moins r ´eguli `eres (longue m ´emoire...)
Efficacit ´e
Estimation du g ´en ´erateurA Grandes d ´eviations
Utilisation du mod `ele
G ´en ´eralisations aux processus non-r ´eguliers Graphes al ´eatoires
Pistes de recherche
Probl `emes connexes
Extension aux cas de densit ´es moins r ´eguli `eres (longue m ´emoire...)
Efficacit ´e
Estimation du g ´en ´erateurA Grandes d ´eviations
Utilisation du mod `ele
G ´en ´eralisations aux processus non-r ´eguliers Graphes al ´eatoires
Pistes de recherche
Probl `emes connexes
Extension aux cas de densit ´es moins r ´eguli `eres (longue m ´emoire...)
Efficacit ´e
Estimation du g ´en ´erateurA Grandes d ´eviations
Utilisation du mod `ele
G ´en ´eralisations aux processus non-r ´eguliers Graphes al ´eatoires
Pistes de recherche
Probl `emes connexes
Extension aux cas de densit ´es moins r ´eguli `eres (longue m ´emoire...)
Efficacit ´e
Estimation du g ´en ´erateurA Grandes d ´eviations
Utilisation du mod `ele
G ´en ´eralisations aux processus non-r ´eguliers Graphes al ´eatoires
Pistes de recherche
Probl `emes connexes
Extension aux cas de densit ´es moins r ´eguli `eres (longue m ´emoire...)
Efficacit ´e
Estimation du g ´en ´erateurA Grandes d ´eviations
Utilisation du mod `ele
G ´en ´eralisations aux processus non-r ´eguliers Graphes al ´eatoires
Pistes de recherche
Probl `emes connexes
Extension aux cas de densit ´es moins r ´eguli `eres (longue m ´emoire...)
Efficacit ´e
Estimation du g ´en ´erateurA Grandes d ´eviations
Utilisation du mod `ele
G ´en ´eralisations aux processus non-r ´eguliers Graphes al ´eatoires
Pistes de recherche
Probl `emes connexes
Extension aux cas de densit ´es moins r ´eguli `eres (longue m ´emoire...)
Efficacit ´e
Estimation du g ´en ´erateurA Grandes d ´eviations
Utilisation du mod `ele
G ´en ´eralisations aux processus non-r ´eguliers Graphes al ´eatoires
Merci
Lemmes de Szeg ¨o
Comme pourZ, deux lemmes n ´ecessaires Lemme (Lemme du d ´eterminant)
1
]GNlog(det(KN(f)))→ Z
log(f(λ))dµ(λ)
Lemmes de Szeg ¨o
Comme pourZ, deux lemmes n ´ecessaires Lemme (Lemme du d ´eterminant)
1
]GNlog(det(KN(f)))→ Z
log(f(λ))dµ(λ)
Lemme (Lemme d’inversion)
(KN(f))−1≈KN(1 f)
Lemmes de Szeg ¨o
Comme pourZ, deux lemmes n ´ecessaires Lemme (Lemme du d ´eterminant)
1
]GNlog(det(KN(f)))→ Z
log(f(λ))dµ(λ)
Lemme (Lemme d’inversion)
(KN(f))−1≈KN(1 f)
Remarque :En r ´ealit ´e, contr ˆole du biais (norme infinieb) entre
Lemmes de Szeg ¨o
Comme pourZ, deux lemmes n ´ecessaires Lemme (Lemme du d ´eterminant)
1
]GNlog(det(KN(f)))→ Z
log(f(λ))dµ(λ)
Z:
b(TN(f)TN(g)−TN(fg))≤α(f)α(g)
Lemmes de Szeg ¨o
Comme pourZ, deux lemmes n ´ecessaires Lemme (Lemme du d ´eterminant)
1
]GNlog(det(KN(f)))→ Z
log(f(λ))dµ(λ)
Lemme de quasi-homomorphisme 1
]∂GNb(KN(f)KN(g)−KN(fg))≤ 1
2α(f)α(g)
Hypoth `eses (H3) Θest compact
L’applicationν →fν est injective
∃ρ,∀ν∈Θ, α(fν)≤ρ, α(1 fν)≤ρ
∃m>0,∀ν ∈Θ,∀x,m≤fν(x)≤ 1 m Continuit ´e de fν(λ)enν
Th ´eor `eme
Hypoth `eses (H3) Θest compact
L’applicationν →fν est injective
∃ρ,∀ν∈Θ, α(fν)≤ρ, α(1 fν)≤ρ
∃m>0,∀ν ∈Θ,∀x,m≤fν(x)≤ 1 m Continuit ´e de fν(λ)enν
Th ´eor `eme