~~NOCACHE~~
/* DO NOT EDIT THIS FILE               */
/* THIS FILE WAS GENERATED             */
/* EDIT THE FILE "indexheader" INSTEAD */
/* OR ACCESS THE DATABASE              */

{{page>.:indexheader}}

\\ ==== Next talks ====
[[en:seminaires:SeminaireMAV:index|Stochastics and Biology seminar]]\\
Wednesday November 5, 2025, 11AM, 16-26.209\\
**Adrien Cotil** (LJLL) //Une approche probabiliste pour l'étude du flocking du modèle de Cucker-Smale//
<button type="link" size="xs" collapse="b9-815">{{icon>info-circle?lg&color=#777}}</button>\\
<collapse id="b9-815" collapsed="true">
<well size="sm">
Le modèle de Cucker-Smale est un modèle largement utilisé pour décrire le comportement de groupes d'animaux tels que les nuées d'étourneaux, les bancs de poissons ou les essaims d'insectes. Il décrit des individus qui tendent à se déplacer dans la même direction et à la même vitesse que leurs voisins, correspondant biologiquement à un principe de mimétisme. L'une des principales questions mathématiques posées par ce modèle est la détermination conditions suffisantes sur les paramètres et les données initiales garantissant l'apparition d'un consensus global, appelé "flocking" dans ce contexte. Dans le cas d'individus grégaires, comme les bovins ou les ovins, les interactions entre individus peuvent être asymétriques, en raison de la spécialisation de certains individus dans certaines fonctions comme la conduite du troupeau ou l'exploration du territoire. La prise en compte de cette asymétrie dans le modèle de Cucker-Smale entraîne la perte de l'échangeabilité des individus, qui est fortement utilisée pour établir des conditions de flocking dans le cadre classique. Dans cet exposé, nous aborderons une nouvelle approche pour l'étude du flocking du modèle de Cucker-Smale non échangeable, basée sur une interprétation probabiliste de ses solutions. Cette approche permet de ramener la question du flocking à la convergence en loi d'un processus de saut markovien inhomogène en temps. L'étude de cette convergence se fera au moyen du coefficient d'ergodicité de Dobrushin, qui permet de quantifier le taux de contraction d'un semi-groupe markovien vers son sous-espace vectoriel invariant.
</well>
</collapse>


[[en:seminaires:SeminaireMAV:index|Stochastics and Biology seminar]]\\
Wednesday December 3, 2025, 11AM, 16-26.209\\
**Léo Micollet** (LPSM (MAV)) //To be announced.//
\\


[[en:seminaires:SeminaireMAV:index|Stochastics and Biology seminar]]\\
Wednesday January 7, 2026, 11AM, 16-26.209\\
**Valentin Schmutz** (Univ. College London) //Concentration of measure in "low-rank" biological neural networks//
<button type="link" size="xs" collapse="b9-816">{{icon>info-circle?lg&color=#777}}</button>\\
<collapse id="b9-816" collapsed="true">
<well size="sm">
Recurrent neural networks with low-rank connectivity matrices are general and tractable models of collective dynamics in large networks. This class of models dates back to the seminal works of J. Hopfield (1982) and S. Amari (1972), and it still plays an instrumental role in computational neuroscience today. To highlight the analytical tractability of these models, I will first review some recent theoretical results concerning the case where the low-rank connectivity is random, the rank is kept fixed, and the number of neurons tends to infinity. In this case, we find that (i) the dynamics of the network converges to a neural field equation, (ii) the dynamics can be reduced to a latent, low-dimensional dynamical system, and (iii) the latent dynamics can be fully solved in certain special cases. 
In the second part of the presentation, I will show that low-rank connectivity is associated with remarkable concentration of measure phenomena in networks of biological neurons. Considering a feedforward network setup where neurons in the first layer, modelled as Cox processes, transmit stochastic spikes, I will present a theorem stating that the network can behave as if each spiking neuron were transmitting its subthreshold membrane potential as both the rank of the connectivity and the number of neurons tend to infinity. This result could explain how, at the network level, neurons can transmit their subthreshold membrane potential fluctuations through sparse spikes. The proof of the theorem involves the so-called thin shell phenomenon, a well-known concentration phenomenon in high-dimensional probability.
</well>
</collapse>


[[en:seminaires:SeminaireMAV:index|Stochastics and Biology seminar]]\\
Wednesday February 4, 2026, 11AM, 16-26.209\\
**Alexander Reisach** (MAP5) //The Promise and Pitfalls of Causal Graphs//
\\


[[en:seminaires:SeminaireMAV:index|Stochastics and Biology seminar]]\\
Wednesday March 4, 2026, 11AM, 16-26.209\\
**Tba**  //To be announced.//
\\


[[en:seminaires:SeminaireMAV:index|Stochastics and Biology seminar]]\\
Wednesday April 1, 2026, 11AM, 16-26.209\\
**Luis Almeida** (LPSM) //To be announced.//
\\


{{page>.:info}}

\\ ==== Previous talks ====
\\ === Year 2025 ===

{{page>.:seminairemav2025}}

\\ === Year 2024 ===

{{page>.:seminairemav2024}}

\\ === Year 2022 ===

{{page>.:seminairemav2022}}