General theory for Big Bayes

Informations projet

GTBB

N° de convention de subvention: 834175

DOI

10.3030/834175

Projet clôturé

Date de signature de la CE 10 Mai 2019

Date de début 1 Octobre 2019

Date de fin 31 Mars 2025

Financé au titre de

• EXCELLENT SCIENCE - European Research Council (ERC)

Coût total

€ 2 176 702,00

Contribution de l’UE

€ 2 176 702,00

Coordonné par

UNIVERSITE PARIS DAUPHINE
France

CORDIS fournit des liens vers les livrables publics et les publications des projets HORIZON.

Les liens vers les livrables et les publications des projets du 7e PC, ainsi que les liens vers certains types de résultats spécifiques tels que les jeux de données et les logiciels, sont récupérés dynamiquement sur OpenAIRE .

Publications

Thesis and dissertations (7)

Flexible estimation of temporal point processes and graphs

Auteurs: Deborah Sulem
Publié dans: 2023
Éditeur: University of Oxfod

Advances in Bayesian asymptotics and Bayesian nonparametrics

Auteurs: Caroline Lawless
Publié dans: 2023
Éditeur: University of Oxford

Bayesian modelling of dependent data

Auteurs: Daniel Moss
Publié dans: 2023
Éditeur: University of Oxford

Bayesian nonparametric estimation under the manifold hypothesis

Auteurs: Paul Rosa
Publié dans: 2025
Éditeur: University of Oxford

Contributions à la sélection bayésienne des modèles de mélange finis et infinis avec une application au calcul distribué

Auteurs: Adrien Hairault
Publié dans: 2023
Éditeur: Hal portal theses

Bayesian methods for statistical network analysis and data subsamplingAbstract:

Auteurs: Cian Naik
Publié dans: 2022
Éditeur: University of Oxford

Power-law phenomena in Bayesian nonparametrics

Auteurs: Francesca Panero
Publié dans: 2022
Éditeur: University of Oxford

Other (11)

Nonparametric Bayesian intensity estimation for covariate-driven inhomogeneous point processes

Auteurs: Matteo Giordano; Alisa Kirichenko; Judith Rousseau
Publié dans: 2024
Éditeur: Arxiv

Mean-field Behaviour of Neural Tangent Kernel for Deep Neural Networks

Auteurs: Soufiane Hayou, Arnaud Doucet, Judith Rousseau
Publié dans: 2020
Éditeur: arxiv
DOI: 10.48550/arxiv.1905.13654

Scalable and adaptive variational Bayes methods for Hawkes processes

Auteurs: Déborah Sulem, Vincent Rivoirard and Judith Rousseau
Publié dans: 2022
Éditeur: arxiv

Minimax rates without the fixed sample size assumption

Auteurs: Alisa Kirichenko, Peter Grünwald
Publié dans: 2020
Éditeur: Arxiv
DOI: 10.48550/arxiv.2006.11170

Evidence estimation in finite and infinite mixture models and applications

Auteurs: Adrien Hairault; Christian P. Robert, Judith Rousseau
Publié dans: 2022
Éditeur: arxiv
DOI: 10.48550/arxiv.2205.05416

An Equivalence between Bayesian Priors and Penalties in Variational Inference

Auteurs: Pierre Wolinski, Guillaume Charpiat, Yann Ollivier
Publié dans: 2021
Éditeur: Arxiv

Asymptotics of approximate Bayesian computation when summary statistics converge at heterogeneous rates

Auteurs: Caroline Lawless; Christian P. Robert; Judith Rousseau; Robin J. Ryder
Publié dans: 2023
Éditeur: arxiv
DOI: 10.48550/arxiv.2311.10080

Empirical Bayes in Bayesian learning: understanding a common practice

Auteurs: Stefano Rizzelli, Judith Rousseau, Sonia Petrone
Publié dans: 2024
Éditeur: arxiv

The Bernstein-von Mises theorem for Semiparametric Mixtures

Auteurs: Stefan Franssen, Jeanne Nguyen, Aad van der Vaart
Publié dans: 2024
Éditeur: arxiv

Nonparametric regression on random geometric graphs sampled from submanifolds

Auteurs: Paul Rosa , Judith Rousseau
Publié dans: 2024
Éditeur: arxiv

Convergence of Diffusion Models Under the Manifold Hypothesis in High-Dimensions

Auteurs: Iskander Azangulov, George Deligiannidis, Judith Rousseau
Publié dans: 2024
Éditeur: arxiv

Peer reviewed articles (10)

Ideal Bayesian Spatial Adaptation

Auteurs: Veronicka Rockova; Judith Rousseau
Publié dans: Journal of the American Statistical Association, 2023, ISSN 0162-1459
Éditeur: American Statistical Association
DOI: 10.1080/01621459.2023.2241705

Efficient Bayesian estimation and use of cut posterior in semiparametric hidden Markov models

Auteurs: Daniel Moss, Judith Rousseau
Publié dans: Electronic Journal of Statistics, Numéro 18, 2024, ISSN 1935-7524
Éditeur: Institute of Mathematical Statistics
DOI: 10.1214/23-ejs2201

Asymptotic analysis of statistical estimators related to MultiGraphex processes under misspecification

Auteurs: Zacharie Naulet, Judith Rousseau, François Caron
Publié dans: Bernoulli, Numéro 30, 2024, ISSN 1350-7265
Éditeur: Chapman & Hall
DOI: 10.3150/23-bej1689

Sparse networks with core-periphery structure

Auteurs: Cian Naik, Caron François, Judith Rousseau
Publié dans: Electronic Journal of Statistics, Numéro 15, 2021, Page(s) 1814-1868, ISSN 1935-7524
Éditeur: Institute of Mathematical Statistics
DOI: 10.1214/21-ejs1819

Semiparametric posterior corrections

Auteurs: Andrew Yiu, Edwin Fong, Chris Holmes, Judith Rousseau
Publié dans: Journal of the Royal Statistical Society Series B: Statistical Methodology, 2025, ISSN 1369-7412
Éditeur: Blackwell Publishing Inc.
DOI: 10.1093/jrsssb/qkaf005

On sparsity, power-law and clustering properties of graphex processes

Auteurs: F. Caron, F. Panero and J. Rousseau
Publié dans: Advances in applied probability, 2023, ISSN 0001-8678
Éditeur: Applied Probability Trust
DOI: 10.1017/apr.2022.75

Wasserstein convergence in Bayesian and frequentist deconvolution models

Auteurs: Judith Rousseau, Catia Scricciolo
Publié dans: The Annals of Statistics, Numéro 52, 2024, ISSN 0090-5364
Éditeur: Institute of Mathematical Statistics
DOI: 10.1214/24-aos2413

Bayesian estimation of nonlinearHawkes process

Auteurs: D. Sulem, V. Rivoirard and J. Rousseau
Publié dans: Bernoulli, 2023, ISSN 1350-7265
Éditeur: Chapman & Hall
DOI: 10.3150/23-bej1631

Estimating a density near an unknown manifold: A Bayesian nonparametric approach

Auteurs: Clément Berenfeld, Paul Rosa, Judith Rousseau
Publié dans: The Annals of Statistics, Numéro 52, 2024, ISSN 0090-5364
Éditeur: Institute of Mathematical Statistics
DOI: 10.1214/24-aos2423

Simple discrete-time self-exciting models can describe complex dynamic processes: A case study of COVID-19

Auteurs: Raiha Browning, Deborah Sulem, Kerrie Mengersen, Vincent Rivoirard, Judith Rousseau
Publié dans: PLOS ONE, Numéro 16/4, 2021, Page(s) e0250015, ISSN 1932-6203
Éditeur: Public Library of Science
DOI: 10.1371/journal.pone.0250015

Conference proceedings (8)

Safe-Bayesian Generalized Linear Regression

Auteurs: Rianne de Heide, Alisa Kirichenko, Nishant Mehta, Peter Grünwald
Publié dans: AISTATs, 2020
Éditeur: MLR

Bayesian nonparametrics for sparse dynamic networks

Auteurs: Cian Naik, Francois Caron, Judith Rousseau, Yee Whye Teh, Konstantina Palla
Publié dans: European Conference on Machine Learning and Data Mining, 2022
Éditeur: ECML PKDD
DOI: 10.48550/arxiv.1607.01624

On the inability of Gaussian process regression to optimally learn compositional functions

Auteurs: Matteo Giordano, Johannes Schmidt-Hieber, Kolyan Ra
Publié dans: Advances in Neural Information Processing Systems 36, Numéro 10495258, 2022, ISSN 1049-5258
Éditeur: NeurIPS
DOI: 10.48550/arxiv.2205.07764

The Curse of Depth in Kernel Regime

Auteurs: Soufiane Hayou;Arnaud Doucet; Judith Rousseau
Publié dans: 2021
Éditeur: PMLR

Gaussian Pre-Activations in Neural Networks: Myth or Reality?

Auteurs: Pierre Wolinsky, Julyan Arbel
Publié dans: Transactions on Machine Learning Research, 2025, ISSN 2835-8856
Éditeur: JMLR

Posterior Contraction Rates for Matérn Gaussian Processes on Riemannian Manifolds

Auteurs: Paul Rosa; Viacheslav Borovitskiy; Alexander Terenin; Judith Rousseau;
Publié dans: NeurIPS, 2023
Éditeur: Open Review.net
DOI: 10.48550/arxiv.2309.10918

Stable Resnet

Auteurs: Hayou, Soufiane and Clerico, Eugenio and He, Bobby and Deligiannidis, George and Doucet, Arnaud and Rousseau, Judith
Publié dans: Proceedings of The 24th International Conference on Artificial Intelligence and Statistics, Numéro 130, 2021, Page(s) 1324--1332
Éditeur: PMLR

Fast Bayesian Coresets via Subsampling and Quasi-Newton Refinement

Auteurs: Cian Naik; Trevor Campbell; Judith Rousseau
Publié dans: NeurIPS, 2022
Éditeur: OpenReview.net

Non-peer reviewed articles (2)

Besov-Laplace priors in density estimation: optimal posterior contraction rates and adaptation

Auteurs: Matteo Giordano
Publié dans: Electronic Journal of Statistics, Numéro 17, 2023, ISSN 1935-7524
Éditeur: Institute of Mathematical Statistics
DOI: 10.1214/23-ejs2161

Nonparametric Bayesian Inference for Reversible Multi-Dimensional Diffusions

Auteurs: Matteo Giordano; Kolyan Ray
Publié dans: The Annals of Statistics, Numéro 00905364, 2022, ISSN 0090-5364
Éditeur: Institute of Mathematical Statistics
DOI: 10.48550/arxiv.2012.12083