Inférence bayésienne sur un modèle de mélange à interaction spatiale

English

Séminaire Probabilités & Statistique

10/05/2012 - 14:00 Lionel Cucala (Université Montpellier II) Salle 1 - Tour IRMA

Mots-clés : Champ Markovien ; Markov Chain Monte Carlo ; Méthodes Bayesiennes ; Traitement d’images.

Résumé :

Nous présentons un algorithme MCMC permettant d’estimer les paramètres d’un modèle de mélange avec interaction spatiale. La difficulté provient de la présence d’une constante de normalisation non calculable : nous nous en affranchissons en utilisant la méthode de Murray et al. (2006) consistant à générer des variables aléatoires auxiliaires. Ensuite nous proposons une méthode de sélection du nombre de composantes du mélange basée sur le calcul d’un critère de type ICL (Biernacki et al., 2000). Nous illustrons ces techniques par l’analyse d’images satellite.

Bibliographie :

Biernacki, C., Celeux, G. and Govaert, G. (2000). Assessing a mixture model
for clustering with the integrated completed likelihood. IEEE Transactions on
Pattern Analysis and Machine Intelligence, 22, 719–725.

Murray, I., Ghahramani, Z. et MacKay, D. (2006) MCMC for doubly-intractable
distributions. Proceedings of the 22nd Annual Conference on Uncertainty in
Artificial Intelligence (UAI).

L'article associé est disponible sur 
http://www.math.univ-montp2.fr/~cucala/menteith.pdf