eMail:
Emmanuel.Monfrini

CITI

RECHERCHES

Résumé des Recherches

Depuis mon recrutement à Telecom SudParis, j'ai, d’une part, choisi de continuer à essayer de comprendre les mécanismes de l’estimation des paramètres dans les modèles à données manquantes, sujet qui m’avait déjà beaucoup occupé durant ma thèse, et j’ai choisi, d’autre part, de consacrer la plus grande partie de mon temps de recherche à l’étude des modèles de Markov Triplet proposés en 2002 par Wojciech Pieczynski.

Comme nous le savons, l’intérêt d’une utilisation des processus stochastiques pour la modélisation de phénomènes déterministes dépendants d’un « trop » grand nombre de paramètres a longtemps résidé dans le constat que certains processus, très peu paramétrés, résument le comportement des phénomènes étudiés d’une manière que l’on peut juger « suffisamment » convenable, en particulier si ces processus autorisent les calculs de probabilités optimales. C’est le cas des modèles de Markov cachés (HMM) – qu’ils soient à états discrets comme certaines chaînes de Markov cachées ou à états continus comme les systèmes d’état, linéaires ou non – qui s’avèrent d’une remarquable efficacité dans de nombreux problèmes de modélisations et de traitements des phénomènes les plus divers. Leur universalité est due au fait qu’ils permettent l’introduction de la dépendance stochastique – temporelle ou spatiale – dans de grandes masses de données. La tendance récente à l’accumulation d’une quantité incroyable de données destinées à une meilleure compréhension du monde qui nous entoure, que ce soit à travers l’étude de phénomènes naturels, sociétaux, financiers, économiques ou consuméristes, a surligné, s’il en était encore besoin, le rôle primordial joué par ces modélisations, certes simples, mais ayant le bon gout de permettre la mise en œuvre de méthodes d’extraction de l’information.
Depuis une dizaine d’années cependant, on voit fleurir les déclinaisons de ces modèles destinées à améliorer ponctuellement la capacité de traitement de signaux, de questions financières, génomiques ou économétriques pour lesquels la modélisation par un HMM gaussien stationnaire se révèle insuffisante.

Précisons dès maintenant que les MMT ne constituent pas une nième déclinaison des HMM venant grossir les rangs de ses devancières. C’est bien à une modélisation plus générale que les HMM que se consacre ce projet. Dans les modèles classiques on considère un processus observé Y et un processus caché X, ce dernier étant toujours supposé de Markov. Cette hypothèse a en effet longtemps été considérée comme indispensable pour l’inférence bayésienne. Depuis les années 2000, les « modèles de Markov couples » (MMC), ont permis d’une part de relâcher l’hypothèse de markovianité de X et d’introduire simultanément des structures de bruit plus complexes d’autre part. Dans un MMC on suppose directement la markovianité du couple (X,Y). Différents travaux ont permis de mettre en évidence l’utilité des MMC dont la plus grande généralité se traduit par une meilleure efficacité des traitements. Les MMC ont ensuite été naturellement étendus aux MMT pour lesquels on introduit un troisième processus R et l’on suppose la markovianité du triplet (X,R,Y). La famille des MMT est très riche : les modèles semi-markoviens cachés, les modèles à sauts, ou encore certains modèles évidentiels issus de la théorie de Dempster-Shafer en font partie. En particulier, lorsque X est discret, l’introduction de R permet de traiter des situations non stationnaires, tant au niveau du processus caché qu’au niveau du bruit, d’étendre les modèles semi-markoviens cachés classiques, de proposer des modèles « évidentiels »… De plus, ces diverses modélisations peuvent être considérées simultanément : on a ainsi pu étudier, en utilisant une chaîne R bivariée, des modèles semi-markoviens cachés non stationnaires. Lorsque X est continu, l’introduction des MMT originaux a récemment permis de mettre en œuvre le filtrage de Kalman et le lissage exacts en présence de sauts, alors que cela n’est pas possible dans les modèles classiques.
L’extension de ces travaux a également permis de développer divers modèles de la famille des MMT pour le filtrage et le lissage dans le cas des modèles à saut non nécessairement gaussien.

Collaborations

• Financement fond d’amorçage IMT santé 2018 : Aortic Digital Twin: Faisabilité d’un jumeau numérique pour la prévention et le traitement patient-spécifique des aortopathies en collaboration avec Telecom Physique Strasbourg et l’Ecoles des Mines de Saint-Etienne.
• Collaboration avec le GEPROVAS et l’Equipe du Professeur N. Chafke (PUPH, DT, chef du service de chirurgie vasculaire et transplantation rénale au Nouvel Hopital Civil de Strasbourg) sur l’identification et la segmentation de stents sur imagerie micro CT (depuis février 2017).
• Collaboration avec la jeune entreprise innovante Farmerlabs de G. Dechambre sur l’identification automatique de maladies sur des photographies de plantes (depuis septembre 2017).
• ERC MUSICOS : Collaboration avec R. Bacon du Centre de Recherche Astrophysique de Lyon Détection de signaux diffus à très faible SNR : application aux données hyperspectrales astronomiques (depuis septembre 2014).
• Plusieurs Collaborations avec C. Collet de Telecom Physique Strasbourg (Développement de modèles statistiques pour l’imagerie médicale et l’imagerie astronomique) (depuis février 2014).
• Contrat de Recherche pour la Startup DOMORA dans le but de créer une commande vocale pour leur produit (de septembre 2014 à janvier 2015).
• Collaboration avec E. Rust (Hôpitaux Universitaires de Strasbourg) au développement d’une méthode de segmentation d’images scanner 3D de la colonne vertébrale (de février 2014 à septembre 2015)
• Collaboration avec SAGEM sécurité Defense (D. Maltese) sur la détection, segmentation et poursuite de cibles dans les images et séquences vidéos fortement bruitées (depuis 2013) .
• Collaboration avec l’Equipe de M. Hatt sur la fusion d’images PET et CT à des fins de segmentation grâce aux arbres de Markov cachés (depuis 2013).
• Collaboration avec M. E. Y. Boudaren de l’Ecole Militaire polytechnique d’Alger sur les modélisations par chaînes de Markov Triplet (depuis janvier 2011).
• Groupe de travail en biostatistique de l'Institut Elie Cartan de Nancy.
• Projet Decrypthon http://www.decrypthon.fr/ (AFM, CNRS, IBM).
• Rapporteur pour la conférence CAP 2006.
• Projet GenoTo3D de l'ACI «Masse de données» (prédiction de la structure des protéïnes). http://www.loria.fr/~guermeur/ACIMD/
• Développement d'un logiciel de mathématiques pour l'orthophonie.
• Projet LSTA-LiP6 de développement de logiciels destimation calculatoire de paramètres de mélanges (application au traitement dimages et détection dobstacles routiers).
• Conception (jan 2001-sept 2001) dun logiciel de lecture de cartons dorgue de Barbarie utilisant les modèles de Markov et les mélanges généralisés (Association Argentique).
• Collaboration (Mai 1997-juin 2001) au projet SIR (Segmentation dImages Radar) du GET (Groupement des Ecoles de Télécommunication) à lINT dEvry.