Felix Cheysson (Univ. Eiffel) – Introduction aux Processus de Hawkes


INTRODUCTION AUX PROCESSUS DE HAWKES
FELIX CHEYSSON
Université Gustave Eiffel
Laboratoire d’Analyse et de Mathématiques Appliquées (LAMA, UMR 8050)

Schedule: 
May 12, 2026 | 9:45AM – 12PM45 – Room 009 (ENSAI)
May 13, 2026 | 9:45AM – 12PM45 – Room 009 (ENSAI)

Content:
À mesure que les données ponctuelles deviennent plus accessibles, les modèles de processus ponctuels sont de plus en plus utilisés dans divers domaines (Illian et al., 2007 ; Baddeley et al., 2016). Les processus de Hawkes linéaires, introduits par Hawkes (1971), constituent une classe de processus ponctuels dans laquelle la survenue d’un événement augmente la probabilité d’événements ultérieurs. Initialement appliqués en sismologie (Adamopoulos, 1976), leur utilisation s’est étendue à des champs aussi variés que la génomique (Reynaud-Bouret et Schbath, 2010), l’épidémiologie (Meyer et al., 2012), la neurologie (Reynaud-Bouret et al., 2014) ou encore la finance (Bacry et al., 2015).
Ce cours a pour objectif de fournir les outils théoriques et pratiques nécessaires à la maîtrise des processus de Hawkes, depuis leurs fondements jusqu’à leurs applications avancées. Nous commencerons par une introduction aux processus ponctuels, en insistant sur le processus de Poisson comme cas de référence.
Nous construirons ensuite rigoureusement le processus de Hawkes, en mettant en lumière ses propriétés fondamentales (auto-excitation, structure de dépendance, etc.). La deuxième partie sera consacrée aux méthodes de simulation et aux techniques d’inférence statistique classiques, illustrées par des études de cas concrets et des travaux pratiques en R pour une mise en œuvre opérationnelle. Enfin, nous aborderons les extensions majeures de ce cadre, notamment les processus de Hawkes multivariés et non linéaires, ouvrant la voie à des modélisations plus flexibles et adaptées à des phénomènes complexes.

Mots-clés : Processus de Poisson, processus de Hawkes, simulation, inférence statistique
Prérequis : Bases des probabilités et de la statistique inférentielle
Indications complémentaires : Prévoir un ordinateur portable et une installation R pour les travaux pratiques

 

JSTAR 2026


The JSTAR 2026 Conference will take place at ENSAI on March 19-20, 2026.

This edition will focus on Functional Data Analysis.

Invited talks will cover several related topics, including dimension reduction, functional data objects, panel data, testing for functional data, and estimation for functional data.

JSTAR 2026 : 20th Statistics Days at Rennes


Since 2004, statistics research teams in the Rennes region have organised the annual Rennes Statistics Days (JSTAR or Journées de STAtistique de Rennes).

This year, ENSAI is organising the 20th edition in partnership with ANR FUNMathStat. The event will bring together statisticians from Rennes to discuss recent developments in functional data analysis.

The conference will take place over two days, on Thursday 19 and Friday 20 March 2026, and will feature presentations by invited speakers. A dinner will be held on Thursday evening at the Taverne de la Marine (2 Pl. de Bretagne, 35000 Rennes).

The conference is open to all. Registration is free but compulsory, with a deadline of 15 February 2026. 

For more information, please refer to the dedicated JSTAR website: JSTAR2026 : Journées de STAtistique de Rennes – 20ème édition – Sciencesconf.org

Futoshi Furami (Osaka University) “Uncertainty Quantification through Calibration in Classification Problems”


Futoshi FURAMI – https://sites.google.com/view/futoshifutami/home (invité de Ikko Yamane)

Le vendredi 12 septembre 2025
de 11h à 12h (café d’accueil à partir de 10h40)
à l’ENSAI, Campus de Ker Lann à Bruz – salle 10

Title :Uncertainty Quantification through Calibration in Classification Problems

Abstract:In recent years, in high-risk domains such as medical diagnosis, weather forecasting, and financial risk management, there has been a strong demand for the reliability of probabilities output by machine learning models. A representative measure for assessing this reliability is calibration, which evaluates the degree of agreement between predicted probabilities and the actual frequency of events. However, it has been reported that modern deep learning models often exhibit poor calibration, and improving this issue has become an urgent challenge.
In this talk, I will introduce basic ideas related to calibration, as well as our recent research, including generalization error analysis of calibration errors based on statistical learning theory, and correction algorithms utilizing PAC-Bayesian methods.