L’ENSAI accueille la conférence internationale Mascot-Num
Du 1er au 3 avril, l’ENSAI accueille l’édition 2026 de la conférence internationale annuelle Mascot-Num, évènement de référence dédié aux statistiques et à la quantification des incertitudes. Les interventions porteront cette année sur les domaines de l’environnement et de la santé.
Près de 90 participants issus du monde académique et d’organisations publiques et privées sont attendus lors de cette conférence annuelle du RT-UQ (Research network on Uncertainty Quantification), réseau fondé par le CNRS Mathématiques.
Mascot-Num, statistiques et quantification des incertitudes appliqués à l’environnement et à la santé
À l’heure où les décisions publiques doivent intégrer des niveaux d’incertitude croissants, liés au changement climatique, à la santé publique ou encore à la gestion des risques, Mascot-Num réunit chercheurs, experts et doctorants pour mieux comprendre et anticiper ces phénomènes complexes et aider à éclairer les décisions.
La première journée est notamment consacrée aux doctorants, avec des présentations sur des thématiques telles que l’analyse de sensibilité, la quantification des incertitudes dans la simulation, la conception et modélisation d’expériences informatiques, les méthodes de modélisation basées sur les données….
Les deuxième et troisième journées sont quant à elles dédiées à des interventions de chercheurs internationaux qui porteront sur les statistiques et la quantification des incertitudes pour les applications environnementales et sanitaires à travers des conférences sur des sujets liés à la quantification de l’incertitude dans les réanalyses climatiques, aux déductions issues du regroupement génétique humain, à l’explicabilité des modèles de prévision de la demande d’électricité…
Speakers confirmés
Rémi Bardenet (CNRS, Université de Lille): Tutorial – What is the Gaussian process of point processes?
Margaux Brégère (EDF Lab Paris Saclay, Sorbonne Université): Explainability of electricity demand forecasting models: a Shapley value approach for positive component decomposition
Lucas Drumetz (IMT Atlantique): Spatialized Bayesian inference and uncertainty quantification on constrained co-domains with Gaussian Processes: application to the simplex
Pierre Gloaguen (Université Bretagne Sud): Bayesian Modelling of Abundance Data in Ecology Using Joint Species Distribution Models
Javier González-Delgado (ENSAI): Inference after human genetic clustering
Sylvain Le Corff (Sorbonne Université): On Forgetting and Stability of Score-based Generative models
Apolline Louvet (INRAE Avignon): Percolation, weeds and Bayesian inference – Assessing seed bank influence on plant metapopulation dynamics
Natalie Maus (MIT)
Pierre Tandeo (IMT Atlantique): Quantifying uncertainty in climate reanalyses
En savoir plus sur la recherche à l’ENSAI et au CREST