• français
    • English
  • English 
    • français
    • English
  • Login
JavaScript is disabled for your browser. Some features of this site may not work without it.
BIRD Home

Browse

This CollectionBy Issue DateAuthorsTitlesSubjectsJournals BIRDResearch centres & CollectionsBy Issue DateAuthorsTitlesSubjectsJournals

My Account

Login

Statistics

View Usage Statistics

Choix de modèle pour les champs de Gibbs par un algorithme ABC.

Thumbnail
Date
2009
Dewey
Probabilités et mathématiques appliquées
Sujet
Analyse de données; Statistics
Conference name
41èmes Journées de Statistique, SFdS
Conference city
Bordeaux
Conference country
FRANCE
URI
https://basepub.dauphine.fr/handle/123456789/496
Collections
  • CEREMADE : Publications
Metadata
Show full item record
Author
Rodolphe, François
Marin, Jean-Michel
Taly, Jean-François
Grelaud, Aude
Robert, Christian P.
Type
Communication / Conférence
Abstract (FR)
Les champs de Gibbs sont des modèles souvent utilisés pour l'analyse de données présentant des corrélations spatiales. La définition du modèle est alors liée à un système de voisinage ; dans certains cas, plusieurs peuvent être proposés. Pour chaque système de voisinage, un modèle de champ de Gibbs peut être construit et sélectionner le système de voisinage est finalement un problème de choix de modèle. Nous travaillons dans un cadre Bayésien. Nous définissons un nouveau paramètre incluant les paramètres de chacun des modèles et l'indice du modèle. Le choix de modèle repose alors sur l'évaluation des probabilités a posteriori des modèles ou des facteurs de Bayes. Les méthodes utilisées habituellement ne peuvent être appliquées ici car la vraisemblance des champs de Gibbs est disponible à un facteur de normalisation près. Nous proposons donc une approche “ sans vraisemblance”, basée sur un algorithme ABC (Approximate Bayesian Computation). L'algorithme ABC-MC (MC signifiant Model Choice) génère un échantillon dont la distribution est approximativement la distribution a posteriori de l'ensemble des paramètres, échantillon que nous utilisons pour évaluer les probabilités a posteriori des modèles. Nous étudions les performances de cette méthode sur deux modèles qui sont des cas particuliers de champs de Gibbs pour lesquels la vraisemblance est entièrement disponible. Nous utilisons ensuite l'algorithme ABC-MC pour choisir la structure 3D d'une protéine parmi un ensemble de candidats proposés par une méthode de threading. Nous montrons les résultats obtenus pour une protéine de la bactérie Thermotaga maritima.

  • Accueil Bibliothèque
  • Site de l'Université Paris-Dauphine
  • Contact
SCD Paris Dauphine - Place du Maréchal de Lattre de Tassigny 75775 Paris Cedex 16

 Content on this site is licensed under a Creative Commons 2.0 France (CC BY-NC-ND 2.0) license.