Vous êtes ici

Séminaire du Jeudi 21/11/2013

Date: 
Jeudi, Novembre 21, 2013 - 14:00 to 16:00
localisation: 
IMB, Bat A33, Salle 2

--------------------------------------------------------------------------------

Orateur : Hacheme Ayasso

Affiliation : GIPSA-LAB, Grenoble

Titre : Une approche bayésienne variationnelle de type gradient pour la fabrication de carte de ciel sur-résolue de télescope Herschel

Title : A gradient-like variational Bayesian approach applied to Herschel high resolution map-making

Résumé : Dans un contexte d’inférence bayésienne, le calcul d’estimateur a posteriori est une étape très importante notamment dans les problèmes de grandes dimensions. Souvent, les estimateurs classiques n’ont pas une forme explicite. Une approximation de la loi a posteriori est donc nécessaire et deux voies sont possibles : stochastique, par exemple MCMC et déterministe, comme l’approche bayésienne variationnelle. Les méthodes stochastiques fournissent une bonne qualité d’estimation. Par contre, elles nécessitent un temps de calcul très important. Cependant, la deuxième voie permet de réduire ce temps généralement sans perdre en qualité.

Dans la première partie de ce séminaire, une nouvelle approche bayésienne variationnelle de type gradient est discutée et comparée avec l’approche classique. Ensuite, je présente, dans la deuxième partie, une application directe de cette méthode pour le problème de fabrication de carte de ciel en haute résolution pour le télescope Herschel. Les résultats démontrent une nette amélioration de la qualité de reconstruction par rapport aux méthodes conventionnelles.

Abstract : In a Bayesian inference context, the posterior estimator calculation is a very important step especially in big data problems. Often, conventional estimators do not have an explicit form. An approximation of the posterior distribution is then needed and there are two possibilities: stochastic eg MCMC and deterministic, such as variational Bayesian approach. Stochastic methods provide a good quality estimate. By cons, they require a very large computation time. However, the second way is able to reduce this time generally without losing on quality.

In the first part of the seminar, a new gradient-like Variationnal Bayesian approach is discussed and compared with the traditional approach. Then, I present, in the second part, a direct application of this method to the problem of high resolution mapmaking for the Herschel telescope. The results show a significant improvement in the quality of reconstruction compared to conventional methods.

--------------------------------------------------------------------------------