Méthodes efficaces pour les données massives et haute-fréquence


L'utilisation des données massives ou acquises à haute-fréquence pour les collectivités et les industries est un enjeu majeur aujourd'hui pour améliorer leurs services et leurs performances dans un monde en transition avec ses nouvelles contraintes environnementales.

Grâce à la notion d'efficacité asymptotique, il est possible de définir, pour un problème impliquant beaucoup de données, ce qu'est la « meilleure » procédure d'estimation des paramètres d'un modèle ou la « meilleure » décision statistique. Pour certaines expériences statistiques, les procédures efficaces ne sont pas connues. Pour d'autres expériences, ces procédures efficaces sont connues mais elles sont généralement complexes et longues à calculer numériquement.


Projet EFFI

Le projet ANR EFFI 2022-2025 vise à améliorer les connaissances sur l'efficacité de plusieurs expériences statistiques et à fournir de nouveaux estimateurs et des nouvelles procédures de test efficaces et innovants pour des applications réelles. Ce projet est également soutenu par la région Pays de la Loire.

Publications associées
  • A. Brouste, L. Denis and T. Ngo (2024) LAMN property for stable Lévy SDEs and application to asymptotic efficiency in the constant scale coefficient case, Bernoulli, forthcoming [article].
  • S. Ben-Hariz, A. Brouste, C. Cai and M. Soltane (2023) Fast and asymptotically efficient estimation in an autoregressive process with fractional type noise, Statistical Planning and Inference, forthcoming.
  • S. Ben-Hariz, A. Brouste, Y. Esstafa and M. Soltane (2023) Fast calibration of weak FARIMA models, ESAIM PS, 27, 156-173 [article].
  • A. Brouste, C. Dutang and D. Noutsa Mieniedou (2021) OneStep - Le Cam's one-step estimation procedure, R Journal, 13(1), 366-377 [article].
  • A. Brouste, M. Soltane and E. Votsi (2020) One-step estimation for the fractional Gaussian noise model at high-frequency, ESAIM PS, 24, 827-841 [article].
  • A. Brouste and H. Masuda (2018) Efficient estimation of stable Lévy process with symmetric jumps, Statistical Inference for Stochastic Processes, 21, 289-307 [article].
  • A. Brouste and M. Fukasawa (2018) Local asymptotic normality property for fractional Gaussian noise under high-frequency observations, The Annals of Statistics, 46(5), 2045-2061 [article].


Efficience et Sobriété Numériques

Si les progrès technologiques permettent de réduire l'impact carbone du numérique et de l'intelligence artificielle, les modèles grossissent en parallèle. Le projet ESN étend au machine learning et au deep learning les théories développées dans le projet EFFI pour proposer et évaluer des méthodologies d'apprentissage statistique alternatives pour atteindre l'objectif de neutralité carbone. Par ailleurs, la mise à disposition de bases de données sur le mix de production énergétique, sur les consommations énergétiques et sur les émissions de GES mobilise notre communauté scientifique en statistique, en économétrie et en informatique de nos territoires pour leur étude approfondie qui doit servir au pilotage de nos collectivités.

Publications associées
  • W. Meskini, A. Brouste and N. Dugué (2024) Speeding up the training of neural networks with the one-step procedure, Neural Processing Letters, 56(178) [article].
  • A. Brouste, Y. Esstafa One-step corrected projected stochastic gradient descent for statistical estimation, [article].
Tarification rapide des produits d'assurance

Les modéles linéaires généralisés sont utilisés par les sociétés d'assurance pour la tarification de leur garanties. Nous développons des méthodes rapides et efficaces pour la calibration de ces modéles. Ils sont également testés dans le cadre des initiatives de recherche RE2A avec Covéa et ITCA avec Groupama.

Publications associées
  • A. Brouste, C. Dutang, L. Hovsepyan and T. Rohmer (2023) One-step closed-form estimator for generalized linear model with categorical explanatory variables, Statistics and Computing [article].
  • A. Brouste, C. Dutang and T. Rohmer (2022) A closed-form alternative estimator for GLM with categorical explanatory variables, Communications in Statistics - Simulation and Computation [article].
  • A. Brouste, C. Dutang and T. Rohmer (2020) Closed-form Maximum Likelihood Estimator for Generalized Linear Models in the case of categorical explanatory variables: Application to insurance loss modeling, Computational Statistics, 35, 689-724 [article].
Analyse statistique des mesures ultrasonores

Le partenariat entre Le Mans Université et le groupe OSMOS a pour but développer des méthodes d'analyse des mesures ultrasonores pour le suivi et la caractérisation de l'endommagement de structures en béton de génie civil. Ce partenariat s'effectue en collaboration avec le Laboratoire d'Acoustique de l'Université du Mans (LAUM) et le Laboratoire Manceau de Mathématiques (LMM).

À partir des mesures ultrasonores expérimentales effectuées lors d'essais mécaniques quasi-statiques et en fatigue sur des poutres de béton, différentes méthodes d'analyse statistique des signaux ultrasonores, basées notamment sur des paramètres physiques, sont développées pour le suivi des ces structures.

Publications associées
  • A. Brouste and C. Farinetto (2023) Fast and asymptotically efficient estimation in the Hawkes processes, Japanese Journal of Statistics and Data Science, 6, 361-379 [article].
  • D. Mandal, M. Bentahar, A. El Mahi, A. Brouste, R. El Guerjouma, S. Montresor and F.-B. Cartiaux (2022) Acoustic emission monitoring of reinforced concrete T-beams microcracking under four-point bending, Materials, 15(10).