Neste trabalho, estudamos a classificação de singularidades de curvas espaciais simples que não são intersecções completas. O Teorema de Hilbert-Burch nos permite usar a matriz de representação para estudar a variedade definida pelo ideal gerado por seus menores maximais. Da mesma forma, as deformações da variedade determinantal podem ser representadas por perturbações da matriz e qualquer perturbação da matriz fornece uma deformação da variedade. Assim, o estudo das singularidades de curvas determinantais pode ser formulado em termos da matriz de representação da curva / In this work, we study the classification of simple space curve singularities which are not complete intersections. The Theorem of Hilbert-Burch enables us to deal with the presentation matrices instead of the ideals defined by their maximal minors. In the same way, deformations of the determinantal variety can be represented by perturbations of the matrix and any perturbation of the matrix gives rise to a deformation of the variety. Therefore, the study of determinantal curves can be formulated in terms of the presentation matrices

<div>This dissertation is based on joint work with Monte Cooper and is broken into two main parts, both of which study the defining ideals of the Rees rings of determinantal and Pfaffian ideals of generic height. In both parts, we attempt to place degree bounds on the defining equations.</div><div> </div><div> The first part of the dissertation consists of Chapters 3 to 5. Let $R = K[x_{1},\ldots,x_{d}]$ be a standard graded polynomial ring over a field $K$, and let $I$ be a homogeneous $R$-ideal generated by $s$ elements. Then there exists a polynomial ring $\mathcal{S} = R[T_{1},\ldots,T_{s}]$, which is also equal to $K[x_{1},\ldots,x_{d},T_{1},\ldots,T_{s}]$, of which the defining ideal of $\mathcal{R}(I)$ is an ideal. The polynomial ring $\mathcal{S}$ comes equipped with a natural bigrading given by $\deg x_{i} = (1,0)$ and $\deg T_{j} = (0,1)$. Here, we attempt to use specialization techniques to place bounds on the $x$-degrees (first component of the bidegrees) of the defining equations, i.e., the minimal generators of the defining ideal of $\mathcal{R}(I)$. We obtain degree bounds by using known results in the generic case and specializing. The key tool are the methods developed by Kustin, Polini, and Ulrich to obtain degree bounds from approximate resolutions. We recover known degree bounds for ideals of maximal minors and submaximal Pfaffians of an alternating matrix. Additionally, we obtain $x$-degree bounds for sufficiently large $T$-degrees in other cases of determinantal ideals of a matrix and Pfaffian ideals of an alternating matrix. We are unable to obtain degree bounds for determinantal ideals of symmetric matrices due to a lack of results in the generic case; however, we develop the tools necessary to obtain degree bounds once similar results are proven for generic symmetric matrices.</div><div> </div><div> The second part of this dissertation is Chapter 6, where we attempt to find a bound on the $T$-degrees of the defining equations of $\mathcal{R}(I)$ when $I$ is a nonlinearly presented homogeneous perfect Gorenstein ideal of grade three having second analytic deviation one that is of linear type on the punctured spectrum. We restrict to the case where $\mathcal{R}(I)$ is not Cohen-Macaulay. This is a natural next step following the work of Morey, Johnson, and Kustin-Polini-Ulrich. Based on extensive computation in Macaulay2, we give a conjecture for the relation type of $I$ and provide some evidence for the conjecture. In an attempt to prove the conjecture, we obtain results about the defining ideals of general fibers of rational maps, which may be of independent interest. We end with some examples where the bidegrees of the defining equations exhibit unusual behavior.</div>

Object detection has been a fundamental part of many emerging technologies, such as autonomous vehicles, robotics, and security. As deep learning is the main reason behind the leap of performance in object detection, it has mostly been associated with a post-processing step of non-maximum suppression (NMS) to reduce the number of resulting bounding boxes output from the network to, ideally, one box per object. As non-maximum suppression blindly suppress the overlap with a pre-defined threshold, it introduces the problem of suppressing false negatives in crowded scenes by choosing a high threshold, or vice versa. This problem is critical, especially in the autonomous vehicle industry, as this concerns the safety of passengers. The problem of the machine understanding whether these bounding boxes belong to the same object or two near-by objects is still not directly solvable. Although a lot of previous research tried to invent a new box-reduction method, every method has its own drawbacks while solving the problem. That is why, until now, many researchers are still using non‐maximum suppression. In this research, a literature review was carried out to determine the best NMS alternatives. Then, an approach for box reduction based on determinantal point process (DPP) was implemented. Furthermore, an evaluation pipeline was introduced for experimental analysis for the differences between NMS and DPP. Although NMS shows a better performance in terms of precision and recall, DPP chooses better fitting bounding boxes. / Objektdetektering har varit en grundläggande del av många nya tekniker, t.ex. autonoma fordon, robotik och säkerhet. Eftersom djupinlärning är den främsta orsaken till den stora prestandaskillnaden vid objektsdetektering har den oftast varit förknippad med ett efterbehandlingssteg med icke-maximal undertryckning (NMS) för att minska antalet resulterande avgränsande rutor som produceras av nätverket till, idealt sett, en ruta per objekt. Eftersom icke-maximal undertryckning blint undertrycker överlappningen med ett fördefinierat tröskelvärde, uppstår problemet med att undertrycka falskt negativa resultat i överfulla scener genom att välja ett högt tröskelvärde, eller tvärtom. Detta problem är kritiskt, särskilt inom industrin för autonoma fordon, eftersom det gäller passagerarnas säkerhet. Problemet med att maskinen ska förstå om dessa avgränsande rutor tillhör samma objekt eller två närliggande objekt är fortfarande inte direkt lösbart. Även om man i tidigare forskning har försökt hitta en ny metod för att reducera boxar, har varje metod sina egna nackdelar när den löser problemet. Det är därför som många forskare fram till nu fortfarande använder sig av icke-maximalt undertryckande. I denna forskning gjordes en litteraturstudie för att fastställa de bästa NMS-alternativen. Därefter implementerades en metod för boxförminskning baserad på determinant punktprocess (DPP). Dessutom infördes en utvärderingsledning för experimentell analys av skillnaderna mellan NMS och DPP. Även om NMS visar en bättre prestanda när det gäller precision och återkallande, väljer DPP bättre passande avgränsande lådor.

Nous établissons des conditions nécessaires et suffisantes d’existence et d’infinie divisibilité pour des processus ponctuels alpha-déterminantaux et, lorsque alpha est positif, pour leur intensité sous-jacente (en tant que processus de Cox). Dans le cas où l’espace est fini, ces distributions correspondent à des lois binomiales, négatives binomiales et gamma multidimensionnelles. Nous étudions de façon approfondie ces deux derniers cas avec un noyau non nécessairement symétrique. / We establish necessary and sufficient conditions for the existence and infinite divisibility of alpha-determinantal processes and, when alpha is positive, of their underlying intensity (as Cox process). When the space is finite, these distributions correspond to multidimensional binomial, negative binomial and gamma distributions. We make an in-depth study of these last two cases with a non necessarily symmetric kernel.

The study about bi-Lipschitz equisingularity has been a very important subject in Singularity Theory in last decades. Many different approach have cooperated for a better understanding about. One can see that the bi-Lipschitz geometry is able to detect large local changes in curvature more accurately than other kinds of equisingularity. The aim of this thesis is to investigate the bi-Lipschitz geometry in an algebraic viewpoint. We define some algebraic tools developing classical properties. From these tools, we obtain algebraic criterions for the bi-Lipschitz equisingularity of some families of analytic varieties. We present a categorical and homological viewpoints of these algebraic structure developed before. Finally, we approach algebraically the bi-Lipschitz equisingularity of a family of Essentially Isolated Determinantal Singularities. / O estudo da equisingularidade bi-Lipschitz tem sido amplamente investigado nas últimas décadas. Diversas abordagens têm contribuído para uma melhor compreensão a respeito. Observa-se que a geometria bi-Lipschitz é capaz de detectar grandes alterações locais de curvatura com maior precisão quando comparada a outros padrões de equisingularidade. O objetivo desta tese é investigar a geometria bi-Lipschitz do ponto de vista algébrico. Definimos algumas estruturas algébricas desenvolvendo algumas propriedades clássicas. A partir de tais estruturas obtemos critérios algébricos para a equisingularidade bi-Lipschitz de algumas classes de famílias de variedades analíticas. Apresentamos uma visão categórica e homológica dos elementos desenvol- vidos. Finalmente abordamos algebricamente a equisingularidade de famílias de Singularidades Determinantais Essencialmente Isoladas.

Dans cette thèse, on étudie le comportement asymptotique de modèles de boules aléatoires engendrées selon différents processus ponctuels, après leur avoir appliqué un changement d’échelle qui peut être vu comme un dézoom. Des théorèmes limites existent pour des processus de Poisson et on généralise ces résultats en considérant tout d’abord des boules engendrées par des processus déterminantaux, qui induisent de la répulsion entre les points. Cela permet de modéliser de nombreux phénomènes, comme par exemple la répartition des arbres dans une forêt. On s’intéresse ensuite à un cas particulier des processus de Cox, les processus shot-noise, qui présentent des amas de points, modélisant notamment la présence de corpuscules dans des nano-composites. / In this thesis, we study the asymptotic behavior of random balls models generated by different point processes, after performing a zoom-out on the model. Limit theorems already exist for Poissonian random balls and we generalize the existing results first by studying determinantal random balls models, which induce repulsion between the centers of the balls. It models many phenomena, for example the distribution of trees in a forest. We are then interested in a particular case of Cox processes, the shot-noise Cox processes, which exhibit clusters, modeling the presence of corpuscles in nano composites.

The study about bi-Lipschitz equisingularity has been a very important subject in Singularity Theory in last decades. Many different approach have cooperated for a better understanding about. One can see that the bi-Lipschitz geometry is able to detect large local changes in curvature more accurately than other kinds of equisingularity. The aim of this thesis is to investigate the bi-Lipschitz geometry in an algebraic viewpoint. We define some algebraic tools developing classical properties. From these tools, we obtain algebraic criterions for the bi-Lipschitz equisingularity of some families of analytic varieties. We present a categorical and homological viewpoints of these algebraic structure developed before. Finally, we approach algebraically the bi-Lipschitz equisingularity of a family of Essentially Isolated Determinantal Singularities. / O estudo da equisingularidade bi-Lipschitz tem sido amplamente investigado nas últimas décadas. Diversas abordagens têm contribuído para uma melhor compreensão a respeito. Observa-se que a geometria bi-Lipschitz é capaz de detectar grandes alterações locais de curvatura com maior precisão quando comparada a outros padrões de equisingularidade. O objetivo desta tese é investigar a geometria bi-Lipschitz do ponto de vista algébrico. Definimos algumas estruturas algébricas desenvolvendo algumas propriedades clássicas. A partir de tais estruturas obtemos critérios algébricos para a equisingularidade bi-Lipschitz de algumas classes de famílias de variedades analíticas. Apresentamos uma visão categórica e homológica dos elementos desenvol- vidos. Finalmente abordamos algebricamente a equisingularidade de famílias de Singularidades Determinantais Essencialmente Isoladas.

La plupart des systèmes de recommandation actuels se base sur des évaluations sous forme de notes (i.e., chiffre entre 0 et 5) pour conseiller un contenu (film, restaurant...) à un utilisateur. Ce dernier a souvent la possibilité de commenter ce contenu sous forme de texte en plus de l'évaluer. Il est difficile d'extraire de l'information d'un texte brut tandis qu'une simple note contient peu d'information sur le contenu et l'utilisateur. Dans cette thèse, nous tentons de suggérer à l'utilisateur un texte lisible personnalisé pour l'aider à se faire rapidement une opinion à propos d'un contenu. Plus spécifiquement, nous construisons d'abord un modèle thématique prédisant une description de film personnalisée à partir de commentaires textuels. Notre modèle sépare les thèmes qualitatifs (i.e., véhiculant une opinion) des thèmes descriptifs en combinant des commentaires textuels et des notes sous forme de nombres dans un modèle probabiliste joint. Nous évaluons notre modèle sur une base de données IMDB et illustrons ses performances à travers la comparaison de thèmes. Nous étudions ensuite l'inférence de paramètres dans des modèles à variables latentes à grande échelle, incluant la plupart des modèles thématiques. Nous proposons un traitement unifié de l'inférence en ligne pour les modèles à variables latentes à partir de familles exponentielles non-canoniques et faisons explicitement apparaître les liens existants entre plusieurs méthodes fréquentistes et Bayesiennes proposées auparavant. Nous proposons aussi une nouvelle méthode d'inférence pour l'estimation fréquentiste des paramètres qui adapte les méthodes MCMC à l'inférence en ligne des modèles à variables latentes en utilisant proprement un échantillonnage de Gibbs local. Pour le modèle thématique d'allocation de Dirichlet latente, nous fournissons une vaste série d'expériences et de comparaisons avec des travaux existants dans laquelle notre nouvelle approche est plus performante que les méthodes proposées auparavant. Enfin, nous proposons une nouvelle classe de processus ponctuels déterminantaux (PPD) qui peut être manipulée pour l'inférence et l'apprentissage de paramètres en un temps potentiellement sous-linéaire en le nombre d'objets. Cette classe, basée sur une factorisation spécifique de faible rang du noyau marginal, est particulièrement adaptée à une sous-classe de PPD continus et de PPD définis sur un nombre exponentiel d'objets. Nous appliquons cette classe à la modélisation de documents textuels comme échantillons d'un PPD sur les phrases et proposons une formulation du maximum de vraisemblance conditionnel pour modéliser les proportions de thèmes, ce qui est rendu possible sans aucune approximation avec notre classe de PPD. Nous présentons une application à la synthèse de documents avec un PPD sur 2 à la puissance 500 objets, où les résumés sont composés de phrases lisibles. / Most of current recommendation systems are based on ratings (i.e. numbers between 0 and 5) and try to suggest a content (movie, restaurant...) to a user. These systems usually allow users to provide a text review for this content in addition to ratings. It is hard to extract useful information from raw text while a rating does not contain much information on the content and the user. In this thesis, we tackle the problem of suggesting personalized readable text to users to help them make a quick decision about a content. More specifically, we first build a topic model that predicts personalized movie description from text reviews. Our model extracts distinct qualitative (i.e., which convey opinion) and descriptive topics by combining text reviews and movie ratings in a joint probabilistic model. We evaluate our model on an IMDB dataset and illustrate its performance through comparison of topics. We then study parameter inference in large-scale latent variable models, that include most topic models. We propose a unified treatment of online inference for latent variable models from a non-canonical exponential family, and draw explicit links between several previously proposed frequentist or Bayesian methods. We also propose a novel inference method for the frequentist estimation of parameters, that adapts MCMC methods to online inference of latent variable models with the proper use of local Gibbs sampling.~For the specific latent Dirichlet allocation topic model, we provide an extensive set of experiments and comparisons with existing work, where our new approach outperforms all previously proposed methods. Finally, we propose a new class of determinantal point processes (DPPs) which can be manipulated for inference and parameter learning in potentially sublinear time in the number of items. This class, based on a specific low-rank factorization of the marginal kernel, is particularly suited to a subclass of continuous DPPs and DPPs defined on exponentially many items. We apply this new class to modelling text documents as sampling a DPP of sentences, and propose a conditional maximum likelihood formulation to model topic proportions, which is made possible with no approximation for our class of DPPs. We present an application to document summarization with a DPP on 2 to the power 500 items, where the summaries are composed of readable sentences.

Dans cette thèse, nous nous intéressons à l'étude des structures déterminantielles apparaissent dans l'optimisation semi-définie (SDP), le prolongement naturel de la programmation linéaire au cône des matrices symétrique semi-définie positives. Si l'approximation d'une solution d'un programme semi-défini peut être calculé efficacement à l'aide des algorithmes de points intérieurs, ni des algorithmes exacts efficaces pour la SDP sont disponibles, ni une compréhension complète de sa complexité théorique a été atteinte. Afin de contribuer à cette question centrale en optimisation convexe, nous concevons un algorithme exact pour décider la faisabilité d'une inégalité matricielle linéaire (LMI) $A(x)\succeq 0$. Quand le spectraèdre associé (le lieu $\spec$ des $x \in \RR^n$ ou $A(x)\succeq 0$) n'est pas vide, la sortie de cet algorithme est une représentation algébrique d'un ensemble fini qui contient au moins un point $x \in \spec$: dans ce cas, le point $x$ minimise le rang de $A(x)$ sur $\spec$. La complexité est essentiellement quadratique en le degré de la représentation en sortie, qui coïncide, expérimentalement, avec le degré algébrique de l'optimisation semi-définie. C'est un garantie d'optimalité de cette approche dans le contexte des algorithmes exacts pour les LMI et la SDP. Remarquablement, l'algorithme ne suppose pas la présence d'un point intérieur dans $\spec$, et il profite de l'existence de solutions de rang faible de l'LMI $A(x)\succeq 0$. Afin d'atteindre cet objectif principal, nous développons une approche systématique pour les variétés déterminantielles associées aux matrices linéaires. Nous prouvons que décider la faisabilité d'une LMI $A(x)\succeq 0$ se réduit à calculer des points témoins dans les variétés déterminantielles définies sur $A(x)$. Nous résolvons ce problème en concevant un algorithme exact pour calculer au moins un point dans chaque composante connexe réelle du lieu des chutes de rang de $A(x)$. Cet algorithme prend aussi avantage des structures supplémentaires, et sa complexité améliore l'état de l'art en géométrie algébrique réelle. Enfin, les algorithmes développés dans cette thèse sont implantés dans une nouvelle bibliothèque Maple appelé Spectra, et les résultats des expériences mettant en évidence la meilleure complexité sont fournis. / In this thesis we focus on the study of determinantal structures arising in semidefinite programming (SDP), the natural extension of linear programming to the cone of symetric positive semidefinite matrices. While the approximation of a solution of a semidefinite program can be computed efficiently by interior-point algorithms, neither efficient exact algorithms for SDP are available, nor a complete understanding of its theoretical complexity has been achieved. In order to contribute to this central question in convex optimization, we design an exact algorithm for deciding the feasibility of a linear matrix inequality (LMI) $A(x) \succeq 0$. When the spectrahedron $\spec = \{x \in \RR^n \mymid A(x) \succeq 0\}$ is not empty, the output of this algorithm is an algebraic representation of a finite set meeting $\spec$ in at least one point $x^*$: in this case, the point $x^*$ minimizes the rank of the pencil on the spectrahedron. The complexity is essentially quadratic in the degree of the output representation, which meets, experimentally, the algebraic degree of semidefinite programs associated to $A(x)$. This is a guarantee of optimality of this approach in the context of exact algorithms for LMI and SDP. Remarkably, the algorithm does not assume the presence of an interior point in the spectrahedron, and it takes advantage of the existence of low rank solutions of the LMI. In order to reach this main goal, we develop a systematic approach to determinantal varieties associated to linear matrices. Indeed, we prove that deciding the feasibility of a LMI can be performed by computing a sample set of real solutions of determinantal polynomial systems. We solve this problem by designing an exact algorithm for computing at least one point in each real connected component of the locus of rank defects of a pencil $A(x)$. This algorithm admits as input generic linear matrices but takes also advantage of additional structures, and its complexity improves the state of the art in computational real algebraic geometry. Finally, the algorithms developed in this thesis are implemented in a new Maple library called {Spectra}, and results of experiments highlighting the complexity gain are provided.

Cette thèse aborde le processus ponctuel déterminantal, un modèle probabiliste qui capture la répulsion entre les points d’un certain espace. Celle-ci est déterminée par une matrice de similarité, la matrice noyau du processus, qui spécifie quels points sont les plus similaires et donc moins susceptibles de figurer dans un même sous-ensemble. Contrairement à la sélection aléatoire uniforme, ce processus ponctuel privilégie les sous-ensembles qui contiennent des points diversifiés et hétérogènes. La notion de diversité acquiert une importante grandissante au sein de sciences comme la médecine, la sociologie, les sciences forensiques et les sciences comportementales. Le processus ponctuel déterminantal offre donc une alternative aux traditionnelles méthodes d’échantillonnage en tenant compte de la diversité des éléments choisis. Actuellement, il est déjà très utilisé en apprentissage automatique comme modèle de sélection de sous-ensembles. Son application en statistique est illustrée par trois articles. Le premier article aborde le partitionnement de données effectué par un algorithme répété un grand nombre de fois sur les mêmes données, le partitionnement par consensus. On montre qu’en utilisant le processus ponctuel déterminantal pour sélectionner les points initiaux de l’algorithme, la partition de données finale a une qualité supérieure à celle que l’on obtient en sélectionnant les points de façon uniforme. Le deuxième article étend la méthodologie du premier article aux données ayant un grand nombre d’observations. Ce cas impose un effort computationnel additionnel, étant donné que la sélection de points par le processus ponctuel déterminantal passe par la décomposition spectrale de la matrice de similarité qui, dans ce cas-ci, est de grande taille. On présente deux approches différentes pour résoudre ce problème. On montre que les résultats obtenus par ces deux approches sont meilleurs que ceux obtenus avec un partitionnement de données basé sur une sélection uniforme de points. Le troisième article présente le problème de sélection de variables en régression linéaire et logistique face à un nombre élevé de covariables par une approche bayésienne. La sélection de variables est faite en recourant aux méthodes de Monte Carlo par chaînes de Markov, en utilisant l’algorithme de Metropolis-Hastings. On montre qu’en choisissant le processus ponctuel déterminantal comme loi a priori de l’espace des modèles, le sous-ensemble final de variables est meilleur que celui que l’on obtient avec une loi a priori uniforme. / This thesis presents the determinantal point process, a probabilistic model that captures repulsion between points of a certain space. This repulsion is encompassed by a similarity matrix, the kernel matrix, which selects which points are more similar and then less likely to appear in the same subset. This point process gives more weight to subsets characterized by a larger diversity of its elements, which is not the case with the traditional uniform random sampling. Diversity has become a key concept in domains such as medicine, sociology, forensic sciences and behavioral sciences. The determinantal point process is considered a promising alternative to traditional sampling methods, since it takes into account the diversity of selected elements. It is already actively used in machine learning as a subset selection method. Its application in statistics is illustrated with three papers. The first paper presents the consensus clustering, which consists in running a clustering algorithm on the same data, a large number of times. To sample the initials points of the algorithm, we propose the determinantal point process as a sampling method instead of a uniform random sampling and show that the former option produces better clustering results. The second paper extends the methodology developed in the first paper to large-data. Such datasets impose a computational burden since sampling with the determinantal point process is based on the spectral decomposition of the large kernel matrix. We introduce two methods to deal with this issue. These methods also produce better clustering results than consensus clustering based on a uniform sampling of initial points. The third paper addresses the problem of variable selection for the linear model and the logistic regression, when the number of predictors is large. A Bayesian approach is adopted, using Markov Chain Monte Carlo methods with Metropolis-Hasting algorithm. We show that setting the determinantal point process as the prior distribution for the model space selects a better final model than the model selected by a uniform prior on the model space.