Bienvenue

Le LPSM est une unité mixte de recherche (UMR 8001) dépendant du CNRS, de Sorbonne Université et de l’Université Paris Cité. Le laboratoire compte environ 200 personnes (dont env. 90 permanents), répartis sur deux sites (Campus P. et M. Curie de Sorbonne Université et Campus Paris Rive Gauche de l’Université Paris Cité).

Les activités de recherche du LPSM couvrent un large spectre en Probabilités et Statistique, depuis les aspects les plus fondamentaux (qui incluent notamment l'Analyse Stochastique, la Géométrie Aléatoire, les Probabilités Numériques et les Systèmes Dynamiques) jusqu’aux applications à la Modélisation dans diverses disciplines (Physique, Biologie, Sciences des Données, Finance, Actuariat, etc), applications qui incluent des partenariats en dehors du monde académique.

Le LPSM est un laboratoire relativement récent. Cependant, ses composantes sont anciennes et proviennent du développement des « mathématiques du hasard » dans le centre de Paris, depuis le premier quart du 20ième siècle (voir ici pour plus de détails).

NB: Site largement inspiré de celui de l'IRIF (merci à eux pour la mise à disposition de leur maquette).

5.2.2026
Nous apprenons avec tristesse le décès de Paul Deheuvels, membre de l'Académie des Sciences, professeur émérite à Sorbonne Université et membre du LPSM, survenu le 30 janvier 2026. Voici une notice biographique en français, et en anglais.

9.12.2025
L'équipe composée de Claire Boyer (Saclay), Francis Bach (Inria) et Gérard Biau (LPSM) est lauréate de l'AAP “Mathématiques de l'apprentissage profond” du PEPR IA, pour le projet Géné-Pi. Félicitations!

9.12.2025
L'Académie des Sciences a décerné à Nicole El Karoui la médaille de section “Applications des Sciences”. Félicitations!

toutes les anciennes actualités

(Ces actualités sont présentées selon un classement mêlant priorité et aléatoire.)

Séminaire Modélisation aléatoire du vivant
Mercredi 4 mars 2026, 11 heures, 16-26.209
Maxime Egéa (LPSM) Local differential privacy in survival analysis using private failure indicators

Survival analysis is often applied to sensitive data making privacy protection of crucial importance. In this talk, we consider local differential privacy in survival analysis using private failure indicators. First, I will provide an overview of existing methods and discuss how individual privacy can be preserved. Next, I will introduce a non-parametric kernel estimator for the cumulative hazard function using a locally differentially private mechanism on failure indicators. Under mild conditions, we also prove lower bounds on the minimax rates of convergence and show that our estimator is minimax optimal under well-chosen bandwidths. Finally, I will illustrate our estimator with numerical results.

Séminaire de Probabilités
Mardi 10 mars 2026, 14 heures, Jussieu, Salle Paul Lévy, 16-26 209
Ellen Powell (Durham University) Scaling limits of critical FK-decorated maps at q=4

The critical Fortuin–Kasteleyn random planar map with parameter q>0 is a model of random (discretised) surfaces decorated by loops, related to the q-state Potts model. For q<4, Sheffield established a scaling limit result for these discretised surfaces, where the limit is described by a so-called Liouville quantum gravity surface decorated by a conformal loop ensemble. At q=4 a phase transition occurs, and the correct rescaling needed to obtain a limit has so far remained unclear. I will talk about joint work with William Da Silva, XinJiang Hu, and Mo Dick Wong, where we identify the right rescaling at this critical value and prove a number of convergence results.

Séminaire doctoral du LPSM
Mardi 10 mars 2026, 17 heures 30, Sophie Germain - Salle 1013 (1er étage)
Sobihan Surendran + Paul Mella Latent Guided Sampling for Neural Combinatorial Optimization (S. Surendran) + TBA

Combinatorial Optimization problems are widespread in domains such as logistics, manufacturing, and drug discovery, yet their NP-hard nature makes them computationally challenging. Recent Neural Combinatorial Optimization (NCO) methods leverage deep learning to learn policies for constructing solutions, trained via supervised or reinforcement learning (RL). While promising, these methods often perform poorly on out-of-distribution instances and lack robust inference mechanisms. Moreover, existing latent-space models either require labeled data or rely on an instance-independent latent structure. In this work, we introduce an instance-conditioned latent space model trained via RL, enabling sampling-based inference beyond standard decoding methods. Building on this representation, we propose an efficient inference method, Latent Guided Sampling (LGS), based on Markov chain Monte Carlo coupled with stochastic approximation for test-time adaptation toward lower-cost solutions. We also propose a diffusion prior over the latent space, which improves performance at the expense of additional computation. We show that the iterations of our method form a time-inhomogeneous Markov chain and provide rigorous theoretical convergence guarantees. Empirical results on benchmark routing tasks show that our method achieves state-of-the-art performance among NCO baselines.

TBA

Mathématiques financières et actuarielles, probabilités numériques
Jeudi 12 mars 2026, 11 heures 15, Sophie Germain salle 1013
Ahmed Kebaier (LAMME, Univer Paris Saclay) Non encore annoncé.

Les probas du vendredi
Vendredi 13 mars 2026, 11 heures, Jussieu, Salle Paul Lévy, 16-26 209
Guillaume Blanc à venir

Séminaire sur les processus de Hawkes
Lundi 16 mars 2026, 14 heures, Jussieu, Paul Lévy 16-26 second floor
Grégoire Szymanski (Université de Luxembourg) Mean-Field Limits for Nearly Unstable Hawkes Processes

Séminaire du LPSM
Jeudi 19 mars 2026, 9 heures 30, Amphi 55A
Richard Nickl (University of Cambridge) Statistical inference for infinite-dimensional dynamical systems

A common task in `data assimilation’ is to assign a Gaussian process prior on the initial condition of a dynamical system and to update it to a Bayesian posterior measure in the space of possible trajectories given a discrete sample of the process. In many important applications the dynamics are non-linear, such as with Navier-Stokes equations in geophysical sciences or reaction-diffusion equations in biochemistry. While Bayesian posterior distributions are widely computed by filtering or MCMC methods, almost nothing is known about the statistical behaviour of these posterior measures in non-linear setting. In this talk we will introduce the framework and then present recent results, known as `Bernstein-von Mises theorems’, that show that the posterior measures are approximated in function space by the Gaussian laws of solutions to certain SPDEs that involve the inverse Fisher information of the underlying statistical model.

Les probas du vendredi
Vendredi 20 mars 2026, 11 heures, Jussieu, Salle Paul Lévy, 16-26 209
Corentin Faipeur (ENS Lyon) à venir

Séminaire de Probabilités
Mardi 24 mars 2026, 14 heures, Jussieu, Salle Paul Lévy, 16-26 209
Oriane Blondel (LPSM, CNRS) A venir

Séminaire doctoral du LPSM
Mardi 24 mars 2026, 17 heures 30, Jussieu, Salle Paul Lévy, 16-26 209
Eyal Cohen + Maxence Petit TBA + TBA

Séminaire Modélisation et Probabilités
Mercredi 25 mars 2026, 14 heures 15, Sophie Germain 1013
Arno Kuijlaars (KU Leuven) Non encore annoncé.

Mathématiques financières et actuarielles, probabilités numériques
Jeudi 26 mars 2026, 11 heures 15, Sophie Germain salle 1013
Alexandre Richard (Centrale Supélec) Non encore annoncé.

Les probas du vendredi
Vendredi 27 mars 2026, 11 heures, Jussieu, Salle Paul Lévy, 16-26 209
Isao Sauzede (ENS Lyon) à venir

Séminaire Modélisation et Probabilités
Mercredi 1 avril 2026, 14 heures 15, Sophie Germain 1013
Ronan Memin (DMA (ENS, Paris)) Non encore annoncé.

Séminaire Modélisation aléatoire du vivant
Mercredi 1 avril 2026, 11 heures, 16-26.209
Luis Almeida (LPSM) Non encore annoncé.

Mentions légales

Bienvenue

Actualités

Événements