Lien pour le séminaire
Nº de réunion : 992 4124 0063
Code secret : 309201

Nous considérons la régression bayésienne non paramétrique et la régression de survie à travers des modèles de partition aléatoire. Notre approche implique la construction d'une distribution a priori dépendante des covariables sur des partitions d'individus. Notre objectif est d'utiliser l'information provenant des covariables pour améliorer l'inférence prédictive. Pour ce faire, nous proposons une loi a priori sur des partitions basées sur le modèle de Potts associé aux covariables observées. Cela entraîne à la même fois, par la proximité des covariables, la formation de grappes et la distribution prédictive a priori. Le modèle a priori qui en résulte est suffisamment flexible pour prendre en charge de nombreux types différents de vraisemblance. Nous concentrons la discussion sur la régression non paramétrique. Les détails de mise en oeuvre sont discutés pour des cas spécifiques de régression de Cox et de régression multiple multivariée, y compris les réseaux de neurones bayésiens épars.

Ce travail a été réalisé en collaboration avec Fernando Quintana, Pontificia Universidad Catolica de Chile, et mes étudiants, Danae Martinez-Vargas et Karl-Augustt Alahassa.

La présentation sera en anglais.