General theory for Big Bayes

Informazioni relative al progetto

GTBB

ID dell’accordo di sovvenzione: 834175

DOI

10.3030/834175

Progetto chiuso

Data della firma CE 10 Maggio 2019

Data di avvio 1 Ottobre 2019

Data di completamento 31 Marzo 2025

Finanziato da

• EXCELLENT SCIENCE - European Research Council (ERC)

Costo totale

€ 2 176 702,00

Contributo UE

€ 2 176 702,00

Coordinato da

UNIVERSITE PARIS DAUPHINE
France

CORDIS fornisce collegamenti ai risultati finali pubblici e alle pubblicazioni dei progetti ORIZZONTE.

I link ai risultati e alle pubblicazioni dei progetti del 7° PQ, così come i link ad alcuni tipi di risultati specifici come dataset e software, sono recuperati dinamicamente da .OpenAIRE .

Pubblicazioni

Thesis and dissertations (7)

Flexible estimation of temporal point processes and graphs

Autori: Deborah Sulem
Pubblicato in: 2023
Editore: University of Oxfod

Advances in Bayesian asymptotics and Bayesian nonparametrics

Autori: Caroline Lawless
Pubblicato in: 2023
Editore: University of Oxford

Bayesian modelling of dependent data

Autori: Daniel Moss
Pubblicato in: 2023
Editore: University of Oxford

Bayesian nonparametric estimation under the manifold hypothesis

Autori: Paul Rosa
Pubblicato in: 2025
Editore: University of Oxford

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

Autori: Adrien Hairault
Pubblicato in: 2023
Editore: Hal portal theses

Bayesian methods for statistical network analysis and data subsamplingAbstract:

Autori: Cian Naik
Pubblicato in: 2022
Editore: University of Oxford

Power-law phenomena in Bayesian nonparametrics

Autori: Francesca Panero
Pubblicato in: 2022
Editore: University of Oxford

Other (11)

Nonparametric Bayesian intensity estimation for covariate-driven inhomogeneous point processes

Autori: Matteo Giordano; Alisa Kirichenko; Judith Rousseau
Pubblicato in: 2024
Editore: Arxiv

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

Autori: Soufiane Hayou, Arnaud Doucet, Judith Rousseau
Pubblicato in: 2020
Editore: arxiv
DOI: 10.48550/arxiv.1905.13654

Scalable and adaptive variational Bayes methods for Hawkes processes

Autori: Déborah Sulem, Vincent Rivoirard and Judith Rousseau
Pubblicato in: 2022
Editore: arxiv

Minimax rates without the fixed sample size assumption

Autori: Alisa Kirichenko, Peter Grünwald
Pubblicato in: 2020
Editore: Arxiv
DOI: 10.48550/arxiv.2006.11170

Evidence estimation in finite and infinite mixture models and applications

Autori: Adrien Hairault; Christian P. Robert, Judith Rousseau
Pubblicato in: 2022
Editore: arxiv
DOI: 10.48550/arxiv.2205.05416

An Equivalence between Bayesian Priors and Penalties in Variational Inference

Autori: Pierre Wolinski, Guillaume Charpiat, Yann Ollivier
Pubblicato in: 2021
Editore: Arxiv

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

Autori: Caroline Lawless; Christian P. Robert; Judith Rousseau; Robin J. Ryder
Pubblicato in: 2023
Editore: arxiv
DOI: 10.48550/arxiv.2311.10080

Empirical Bayes in Bayesian learning: understanding a common practice

Autori: Stefano Rizzelli, Judith Rousseau, Sonia Petrone
Pubblicato in: 2024
Editore: arxiv

The Bernstein-von Mises theorem for Semiparametric Mixtures

Autori: Stefan Franssen, Jeanne Nguyen, Aad van der Vaart
Pubblicato in: 2024
Editore: arxiv

Nonparametric regression on random geometric graphs sampled from submanifolds

Autori: Paul Rosa , Judith Rousseau
Pubblicato in: 2024
Editore: arxiv

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

Autori: Iskander Azangulov, George Deligiannidis, Judith Rousseau
Pubblicato in: 2024
Editore: arxiv

Peer reviewed articles (10)

Ideal Bayesian Spatial Adaptation

Autori: Veronicka Rockova; Judith Rousseau
Pubblicato in: Journal of the American Statistical Association, 2023, ISSN 0162-1459
Editore: American Statistical Association
DOI: 10.1080/01621459.2023.2241705

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

Autori: Daniel Moss, Judith Rousseau
Pubblicato in: Electronic Journal of Statistics, Numero 18, 2024, ISSN 1935-7524
Editore: Institute of Mathematical Statistics
DOI: 10.1214/23-ejs2201

Asymptotic analysis of statistical estimators related to MultiGraphex processes under misspecification

Autori: Zacharie Naulet, Judith Rousseau, François Caron
Pubblicato in: Bernoulli, Numero 30, 2024, ISSN 1350-7265
Editore: Chapman & Hall
DOI: 10.3150/23-bej1689

Sparse networks with core-periphery structure

Autori: Cian Naik, Caron François, Judith Rousseau
Pubblicato in: Electronic Journal of Statistics, Numero 15, 2021, Pagina/e 1814-1868, ISSN 1935-7524
Editore: Institute of Mathematical Statistics
DOI: 10.1214/21-ejs1819

Semiparametric posterior corrections

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

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

Autori: F. Caron, F. Panero and J. Rousseau
Pubblicato in: Advances in applied probability, 2023, ISSN 0001-8678
Editore: Applied Probability Trust
DOI: 10.1017/apr.2022.75

Wasserstein convergence in Bayesian and frequentist deconvolution models

Autori: Judith Rousseau, Catia Scricciolo
Pubblicato in: The Annals of Statistics, Numero 52, 2024, ISSN 0090-5364
Editore: Institute of Mathematical Statistics
DOI: 10.1214/24-aos2413

Bayesian estimation of nonlinearHawkes process

Autori: D. Sulem, V. Rivoirard and J. Rousseau
Pubblicato in: Bernoulli, 2023, ISSN 1350-7265
Editore: Chapman & Hall
DOI: 10.3150/23-bej1631

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

Autori: Clément Berenfeld, Paul Rosa, Judith Rousseau
Pubblicato in: The Annals of Statistics, Numero 52, 2024, ISSN 0090-5364
Editore: 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

Autori: Raiha Browning, Deborah Sulem, Kerrie Mengersen, Vincent Rivoirard, Judith Rousseau
Pubblicato in: PLOS ONE, Numero 16/4, 2021, Pagina/e e0250015, ISSN 1932-6203
Editore: Public Library of Science
DOI: 10.1371/journal.pone.0250015

Conference proceedings (8)

Safe-Bayesian Generalized Linear Regression

Autori: Rianne de Heide, Alisa Kirichenko, Nishant Mehta, Peter Grünwald
Pubblicato in: AISTATs, 2020
Editore: MLR

Bayesian nonparametrics for sparse dynamic networks

Autori: Cian Naik, Francois Caron, Judith Rousseau, Yee Whye Teh, Konstantina Palla
Pubblicato in: European Conference on Machine Learning and Data Mining, 2022
Editore: ECML PKDD
DOI: 10.48550/arxiv.1607.01624

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

Autori: Matteo Giordano, Johannes Schmidt-Hieber, Kolyan Ra
Pubblicato in: Advances in Neural Information Processing Systems 36, Numero 10495258, 2022, ISSN 1049-5258
Editore: NeurIPS
DOI: 10.48550/arxiv.2205.07764

The Curse of Depth in Kernel Regime

Autori: Soufiane Hayou;Arnaud Doucet; Judith Rousseau
Pubblicato in: 2021
Editore: PMLR

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

Autori: Pierre Wolinsky, Julyan Arbel
Pubblicato in: Transactions on Machine Learning Research, 2025, ISSN 2835-8856
Editore: JMLR

Posterior Contraction Rates for Matérn Gaussian Processes on Riemannian Manifolds

Autori: Paul Rosa; Viacheslav Borovitskiy; Alexander Terenin; Judith Rousseau;
Pubblicato in: NeurIPS, 2023
Editore: Open Review.net
DOI: 10.48550/arxiv.2309.10918

Stable Resnet

Autori: Hayou, Soufiane and Clerico, Eugenio and He, Bobby and Deligiannidis, George and Doucet, Arnaud and Rousseau, Judith
Pubblicato in: Proceedings of The 24th International Conference on Artificial Intelligence and Statistics, Numero 130, 2021, Pagina/e 1324--1332
Editore: PMLR

Fast Bayesian Coresets via Subsampling and Quasi-Newton Refinement

Autori: Cian Naik; Trevor Campbell; Judith Rousseau
Pubblicato in: NeurIPS, 2022
Editore: OpenReview.net

Non-peer reviewed articles (2)

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

Autori: Matteo Giordano
Pubblicato in: Electronic Journal of Statistics, Numero 17, 2023, ISSN 1935-7524
Editore: Institute of Mathematical Statistics
DOI: 10.1214/23-ejs2161

Nonparametric Bayesian Inference for Reversible Multi-Dimensional Diffusions

Autori: Matteo Giordano; Kolyan Ray
Pubblicato in: The Annals of Statistics, Numero 00905364, 2022, ISSN 0090-5364
Editore: Institute of Mathematical Statistics
DOI: 10.48550/arxiv.2012.12083