Estimation robuste des modèles de mélange sur des données distribuées

Cette thèse propose une contribution en matière d analyse de données, dans la perspective de systèmes informatiques distribués non-centralisés, pour le partage de données numériques. De tels systèmes se développent en particulier sur internet, possiblement à large échelle, mais aussi, par exemple, par des réseaux de capteurs. Notre objectif général est d estimer la distribution de probabilité d un jeu de données distribuées, à partir d estimations locales de cette distribution, calculées sur des sousjeux de données locaux. En d autres termes, il s est agi de proposer une technique pour agréger des estimés locaux pour en faire un estimé global. Notre proposition s appuie sur la forme particulière que doivent prendre toutes les distributions de probabilité manipulées : elles doivent se formuler comme un mélange de lois gaussiennes multivariées. Notre contribution est une solution à la fois décentralisée et statistiquement robuste aux modèles locaux aberrants, pour mener à bien l agrégation globale, à partir d agrégations locales de mélanges de lois gaussiennes. Ces agrégations locales ne requièrent un accès qu aux seuls paramètres des modèles de mélanges, et non aux données originales.This work proposes a contribution aiming at probabilistic model estimation, in the setting of distributed, decentralized, data-sharing computer systems. Such systems are developing over the internet, and also exist as sensor networks, for instance. Our general goal consists in estimating a probability distribution over a data set which is distributed into subsets located on the nodes of a distributed system. More precisely, we are at estimating the global distribution by aggregating local distributions, estimated on these local subsets. Our proposal exploits the following assumption: all distributions are modelled as a Gaussian mixture. Our contribution is a solution that is both decentralized and statistically robust to outlier local Gaussian mixture models. The proposed process only requires mixture parameters, rather than original data.NANTES-BU Sciences (441092104) / SudocSudocFranceF