Kaiserslautern, Techn. Univ., Diss., 2004. / Computerdatei im Fernzugriff.

Kaiserslautern, Techn. Universiẗat, Diss., 2004.

Dans une première partie théorique, nous nous penchons sur une analyse rigoureuse des performances de l'algorithme Sequential Monte Carlo (SMC) conduisant à des résultats de type bornes L^p et inégalités de concentration. Nous abordons notamment le cas particulier des SMC associés à des schémas de température, et analysons sur ce sujet un processus à schéma adaptatif.Dans une seconde partie appliquée, nous illustrons son utilisation par la résolution de problèmes inverses concrets en électromagnétisme. Le plus important d'entre eux consiste à estimer les propriétés radioélectriques de matériaux recouvrant un objet de géométrie connue, et cela à partir de mesures de champs rétrodiffusés. Nous montrons comment l'algorithme SMC, couplé à des calculs analytiques, permet une inversion bayésienne, et fournit des estimées robustes enrichies d'estimations des incertitudes. / Sequential and Quantum Monte Carlo methods, as well as genetic type search algorithms, can be interpreted as a mean field and interacting particle approximation of Feynman-Kac models in distribution spaces. The performance of these population Monte Carlo algorithms is strongly related to the stability properties of nonlinear Feynman-Kac semigroups. In a first theoretical part, we analyze these models in terms of Dobrushin ergodic coefficients of the reference Markov transitions and the oscillations of the potential functions. Sufficient conditions for uniform concentration inequalities w.r.t. time are expressed explicitly in terms of these two quantities. We provide an original perturbation analysis that applies to annealed and adaptive FK models, yielding what seems to be the first results of this kind for these type of models. Special attention is devoted to the particular case of Boltzmann-Gibbs measures' sampling. In this context, we design an explicit way of tuning the number of Markov Chain Monte Carlo iterations with temperature schedule. We also propose and analyze an alternative interacting particle method based on an adaptive strategy to define the temperature increments. In a second, applied part, we illustrate the use of these SMC algorithms in the field of inverse problems. Mainly, the following electromagnetism (EM) inverse problem is addressed. It consists in estimating local radioelectric properties of materials recovering an object from global EM scattering measurements, at various incidences and wave frequencies. This large scale ill-posed inverse problem is explored by an intensive exploitation of an efficient 2D Maxwell solver, distributed on high performance computing machines. Applied to a large training data set, a statistical analysis reduces the problem to a simpler probabilistic metamodel, on which Bayesian inference can be performed. Considering the radioelectric properties as a hidden dynamic stochastic process, that evolves in function of the frequency, it is shown how the Sequential Monte Carlo methods can take benefit of the structure and provide local EM property estimates.

We introduce renormalized integrals which generalize conventional measure theoretic integrals. One approximates the integration domain by measure spaces and defines the integral as the limit of integrals over the approximating spaces. This concept is implicitly present in many mathematical contexts such as Cauchy's principal value, the determinant of operators on a Hilbert space and the Fourier transform of an L^p function. We use renormalized integrals to define a path integral on manifolds by approximation via geodesic polygons. The main part of the paper is dedicated to the proof of a path integral formula for the heat kernel of any self-adjoint generalized Laplace operator acting on sections of a vector bundle over a compact Riemannian manifold.

Dans une première partie théorique, nous nous penchons sur une analyse rigoureuse des performances de l'algorithme Sequential Monte Carlo (SMC) conduisant à des résultats de type bornes L^p et inégalités de concentration. Nous abordons notamment le cas particulier des SMC associés à des schémas de température, et analysons sur ce sujet un processus à schéma adaptatif.Dans une seconde partie appliquée, nous illustrons son utilisation par la résolution de problèmes inverses concrets en électromagnétisme. Le plus important d'entre eux consiste à estimer les propriétés radioélectriques de matériaux recouvrant un objet de géométrie connue, et cela à partir de mesures de champs rétrodiffusés. Nous montrons comment l'algorithme SMC, couplé à des calculs analytiques, permet une inversion bayésienne, et fournit des estimées robustes enrichies d'estimations des incertitudes.

Les modèles de chaînes de Markov cachées ou plus généralement ceux de Feynman-Kac sont aujourd'hui très largement utilisés. Ils permettent de modéliser une grande diversité de séries temporelles (en finance, biologie, traitement du signal, ...) La complexité croissante de ces modèles a conduit au développement d'approximations via différentes méthodes de Monte-Carlo, dont le Markov Chain Monte-Carlo (MCMC) et le Sequential Monte-Carlo (SMC). Les méthodes de SMC appliquées au filtrage et au lissage particulaires font l'objet de cette thèse. Elles consistent à approcher la loi d'intérêt à l'aide d'une population de particules définies séquentiellement. Différents algorithmes ont déjà été développés et étudiés dans la littérature. Nous raffinons certains de ces résultats dans le cas du Forward Filtering Backward Smoothing et du Forward Filtering Backward Simulation grâce à des inégalités de déviation exponentielle et à des contrôles non asymptotiques de l'erreur moyenne. Nous proposons également un nouvel algorithme de lissage consistant à améliorer une population de particules par des itérations MCMC, et permettant d'estimer la variance de l'estimateur sans aucune autre simulation. Une partie du travail présenté dans cette thèse concerne également les possibilités de mise en parallèle du calcul des estimateurs particulaires. Nous proposons ainsi différentes interactions entre plusieurs populations de particules. Enfin nous illustrons l'utilisation des chaînes de Markov cachées dans la modélisation de données financières en développant un algorithme utilisant l'Expectation-Maximization pour calibrer les paramètres du modèle exponentiel d'Ornstein-Uhlenbeck multi-échelles

Diss. Stockholm : Handelshögskolan, 2003.

<p>This thesis studies infinite dimensional Gaussian measures on Banach spaces. Let $\mu_0$ be a centered Gaussian measure on Banach space $\mathcal B$, and $\mu^\ast$ is a measure equivalent to $\mu_0$. We are interested in approximating, in sense of relative entropy (or KL divergence) the quantity $\frac{d\mu^z}{d\mu^\ast}$ where $\mu^z$ is a mean shift measure of $\mu_0$ by an element $z$ in the so-called ``Cameron-Martin" space $\mathcal H_{\mu_0}$. That is, we want to find the information projection</p> <p><br></p> <p>$$\inf_{z\in \mathcal H_{\mu_0}} D_{KL}(\mu^z||\mu_0)=\inf_{z\in \mathcal H_{\mu_0}} E_{\mu^z} \left(\log \left(\frac{d\mu^z}{d\mu^\ast}\right)\right).$$</p> <p><br></p> <p>We relate this information projection to a mode computation, to an ``open loop" control problem, and to a variational formulation leading to an Euler-Lagrange equation. Furthermore, we use this relationship to establish a kind of Feynman-Kac theorem for systems of ordinary differential equations. We demonstrate that the solution to a system of second order linear ordinary differential equations is the mode of a diffusion, analogous to the result of Feynman-Kac for parabolic partial differential equations. </p>

Cette thèse porte sur le développement de méthodes de Monte-Carlo pour calculer des représentations Feynman-Kac impliquant des opérateurs sous forme divergence avec un coefficient de diffusion constant par morceaux. Les méthodes proposées sont des variantes de la marche sur les sphères à l'intérieur des zones avec un coefficient de diffusion constant et des techniques de différences finies stochastiques pour traiter les conditions aux interfaces aussi bien que les conditions aux limites de différents types. En combinant ces deux techniques, on obtient des marches aléatoires dont le score calculé le long du chemin fourni un estimateur biaisé de la solution de l'équation aux dérivées partielles considérée. On montre que le biais global de notre algorithme est en général d'ordre deux par rapport au pas de différences finies. Ces méthodes sont ensuite appliquées au problème direct lié à la tomographie par impédance électrique pour la détection de tumeurs. Une technique de réduction de variance est également proposée dans ce cadre. On traite finalement du problème inverse de la détection de tumeurs à partir de mesures de surfaces à l'aide de deux algorithmes stochastiques basés sur une représentation paramétrique de la tumeur ou des tumeurs sous forme d'une ou plusieurs sphères. De nombreux essais numériques sont proposés et montrent des résultats probants dans la localisation des tumeurs. / This thesis deals with the development of Monte-Carlo methods to compute Feynman-Kac representations involving divergence form operators with a piecewise constant diffusion coefficient. The proposed methods are variations around the walk on spheres method inside the regions with a constant diffusion coefficient and stochastic finite differences techniques to treat the interface conditions as well as the different kinds of boundary conditions. By combining these two techniques, we build random walks which score computed along the walk gives us a biased estimator of the solution of the partial differential equation we consider. We prove that the global bias is in general of order two with respect to the finite difference step. These methods are then applied for tumour detection to the forward problem in electrical impedance tomography. A variance reduction technique is also proposed in this case. Finally, we treat the inverse problem of tumours detection from surface measurements using two stochastics algorithms based on a spherical parametric representation of the tumours. Many numerical tests are proposed and show convincing results in the localization of the tumours.

This doctoral thesis is concerned with some theoretical and practical questions related to backward stochastic differential equations (BSDEs) and more specifically their connection with some parabolic partial differential equations (PDEs). The thesis is made of three parts. In the first part, we study the probabilistic representation for a class of multidimensional PDEs with quadratic nonlinearities of a special form. We obtain a representation formula for the PDE solution in terms of the solutions to a Lipschitz BSDE. We then use this representation to obtain an estimate on the gradient of the PDE solutions by probabilistic means. In the course of our analysis, we are led to prove some results for the associated multidimensional quadratic BSDEs, namely an existence result and a partial uniqueness result. In the second part, we study the well-posedness of a very general quadratic reflected BSDE driven by a continuous martingale. We obtain the comparison theorem, the special comparison theorem for reflected BSDEs (which allows to compare the increasing processes of two solutions), the uniqueness and existence of solutions, as well as a stability result. The comparison theorem (from which uniqueness follows) and the special comparison theorem are obtained through natural techniques and minimal assumptions. The existence is based on a perturbative procedure, and holds for a driver whis is Lipschitz, or slightly-superlinear, or monotone with arbitrary growth in y. Finally, we obtain a stability result, which gives in particular a local Lipschitz estimate in BMO for the martingale part of the solution. In the third and last part, we study the time-discretization of BSDEs having nonlinearities that are monotone but with polynomial growth in the primary variable. We show that in that case, the explicit Euler scheme is likely to diverge, while the implicit scheme converges. In fact, by studying the family of θ-schemes, which are mixed explicit-implicit, θ characterizing the degree of implicitness, we find that the scheme converges when the implicit component is dominant (θ ≥ 1/2 ). We then propose a tamed explicit scheme, which converges. We show that the implicit-dominant schemes with θ > 1/2 and our tamed explicit scheme converge with order 1/2 , while the trapezoidal scheme (θ = 1/2) converges with order 7/4.