Bienvenue

Du big data vers les connaissances. L'humanité a accumulé une quantité quasiment incommensurable de données relatives aux enjeux auxquels notre planète fait face. Ces données se trouvent en augmentation permanente grâce aux progrès de l'instrumentation et aux méthodes modernes d'acquisition de données, comme la télédétection et les capteurs embarqués. Cette profusion de données offre un potentiel sans précédent pour extraire de nouvelles connaissances. Les données d'observation sont complétées par d’immenses volumes de données simulées à l'aide de modèles numériques, comme les modèles climatiques qui intègrent les observations du passé et projettent des trajectoires du futur.

Données spatiotemporelles. Les données disponibles sont souvent géolocalisées et répétées dans le temps, et comportent un grand nombre de variables, parfois assez fortement dépendantes. Les défis posés par ces données spatio-temporelles sont multiples : ils concernent à la fois la visualisation de ces données, la définition de modèles pertinents, les méthodes d'estimation pour ceux-ci et la mise en œuvre de ces méthodes pour des ensembles de données de (très) grande taille.
Face à cette abondance de données disponibles de différentes sources et à différentes échelles spatiales et temporelles, le développement de nouveaux outils d'analyse et de prédiction spatiotemporelles est devenu un enjeu crucial dans le domaine de la statistique, et plus généralement de l‘apprentissage artificiel. 

Événements extrêmes et risques. Il est particulièrement important de développer des méthodes spécifiques pour aborder les phénomènes ayant un fort impact sur les populations humaines et les écosystèmes, comme les événements extrêmes et les risques. En pratique, l'objectif est souvent triple : 

  • Identifier les facteurs déterminant les phénomènes étudiés, et quantifier les incertitudes résiduelles.
  • Prévoir les évolutions à court terme en prenant en compte leurs incertitudes, mais aussi estimer les probabilités des événements possibles à long terme.
  • Simuler, confronter et analyser différents scénarios futurs possibles.

Les activités de RESSTE. Le réseau RESSTE (Risques, Extrêmes et Statistique Spatio-TEmporelle) propose une animation scientifique autour des modèles, méthodes et algorithmes pour les données spatio-temporelles, en fédérant statisticiens et scientifiques ayant à traiter ce type de données, et en confrontant les approches et les points de vue des différents domaines de la statistique. Il a pour ambition d'initier de nouveaux fronts de recherche en statistique spatio-temporelle répondant aux enjeux rencontrés par les scientifiques, et de stimuler les collaborations entre équipes de recherche. Il contribue à une plus large diffusion des méthodes de la statistique spatio-temporelle auprès des statisticiens et des modélisateurs.

Comment rester informé ? 

Si vous souhaitez recevoir des informations concernant RESSTE, en particulier au sujet des événements que nous organisons, vous pouvez demander à être ajouté à la liste de diffusion. Pour cela, envoyer un mail à Thomas Opitz en utilisant son adresse mail canonique prenom.nom@inrae.fr.

 

 

Le réseau RESSTE est un des réseaux scientifiques soutenus par le département MathNum d’INRAE. 

 


 

Evènement de l'année en cours



Journée « Modèles génératifs : Théorie, apprentissage et applications environnementales »

Date de l'évènement
22 mai 2024

 

Modèles génératifs en intelligence artificielle : Théorie, apprentissage et applications environnementales 

Les transparents des présentations sont accessibles via les liens fournis dans le programme en bas.

La Chaire Geolearning et le réseau RESSTE organisent une journée scientifique sur la thématique des progrès méthodologiques récents pour les modèles génératifs (GANs, Denoising Diffusion Models...) et leur utilisation dans les domaines du climat, de l'environnement et plus généralement des géosciences, avec des interventions des experts des aspects théoriques, méthodologiques et appliqués.


Lieu : École des Mines Paris (60 Bd Saint-Michel ; RER/Métro Luxembourg) ; Amphi L109

Inscription : gratuite mais obligatoire en remplissant le petit formulaire sur le lien suivant : 
https://framaforms.org/inscription-a-la-journee-sur-les-modeles-generatifs-geolearning-resste-1710242973

 

9h15-9h55 Accueil-café

9h55-10h00 Ouverture de la journée

 

10h00-12h00 Introduction(s) aux modèles génératifs  
Modération : Denis Allard, Thomas Opitz

 

  • Francis Bach (SIERRA–Inria, ENS–PSL) 
    An alternative view of denoising diffusion models
    [Slides]

 

  • Gérard Biau (LPSM, Sorbonne Université) 
    A primer on Generative Adversarial Networks
    [Slides]

 

  • Pascal Yiou (LSCE, CEA) 
    A stochastic weather generator as an emulator for extreme climate events
    [Slides]

 

12h00-13h30 Buffet déjeuner sur place

 

13h30-14h30 Avancées méthodologiques et appliquées récentes 

Modération : Thomas Romary

 

  • Pierre Marion (EPFL)
    Modèles de diffusion pour la génération d'images : algorithmes et (un peu de) théorie
    [Slides]

 

  • Maxime Beauchamp (IMT Atlantique) 
    Lier Géostatistique SPDE & Assimilation de Données par l'apprentissage profond pour la génération de (grands) ensembles en Géosciences
    [Slides]

 

14h30-15h30 Exploration de nouvelles méthodes et implémentations (Partie I)
Modération : Liliane Bel

  • Ferdinand Bhavsar (Mines-Paris PSL)
    Categorical Denoising Diffusion Models using Markov Jump Processes
    [Slides]

 

  • David Métivier (MISTEA, INRAE) 
    Deep Learning for lake pollution forecast
    [Slides]

 

15h30-16h00 Pause-Café

 

16h00-17h00 Exploration de nouvelles méthodes et implémentations (Partie II)

Modération : Valérie Monbet

 

  • Lucia Clarotto, Hugo Gangloff (MIA Paris Saclay, AgroParisTech/INRAE)
    Physics-informed neural networks for Matérn-SPDEs: attempts and challenges
    [Slides]

 

  • Yuke Xie (Mines-Paris PSL)
    Deep Generative Models for Stochastic Geophysical Imaging and Uncertainty Quantification
    [Slides]

 

17h00-17h15 Conclusion de la journée