Sommaire du Fascicule no. 1








Evaluation of the most influent input variables on quantities of interest in a fire simulation
[Êvaluation des variables d’entrée les plus influentes sur des grandeurs d’intérêt dans une simulation d’incendie]
p. 103-117

p. 118-130

Sommaire du Fascicule no. 2



Type I error rate control for testing many hypotheses: a survey with proofs
[Une revue du contrôle de l’erreur de type I en test multiple]
p. 3-38

Learning false discovery rates by fitting sigmoidal threshold functions
[Estimation du taux de fausse découverte par ajustement de fonctions sigmoïdales]
p. 39-50

Regularized learning in bioinformatics
[Apprentissage régularisé en bioinformatique]
p. 51-76

Integration and variable selection of ‘omics’ data sets with PLS: a survey
[Une revue sur l’intégration et la sélection de variables ‘omiques’ avec la PLS]
p. 77-96

Defining a robust biological prior from Pathway Analysis to drive Network Inference
[Construction d’un a priori biologique robuste à partir de l’analyse de voies métaboliques pour l’inférence de réseaux]
p. 97-110

A review of statistical models for clustering networks with an application to a PPI network
[Modèles Statistiques pour la classification non-supervisée des sommets d’un graphe et application à un réseau d’interactions de protéines]
p. 111-125

Sommaire du Fascicule no. 3






Spatial extreme quantile estimation using a weighted log-likelihood approach
[Estimation de quantiles extrêmes spatiaux par la méthode de la log-vraisemblance pondérée]
p. 66-82

Exact Cross-Validation for k NN : application to passive and active learning in classification
[Validation-croisée exacte pour les k NN : application à l’apprentissage passif et actif en classification]
p. 83-97

On the estimation of the latent discriminative subspace in the Fisher-EM algorithm
[Sur l’estimation du sous-espace latent discriminant de l’algorithme Fisher-EM]
p. 98-115

Bayesian Markov model for cooperative clustering: application to robust MRI brain scan segmentation
[Approche bayesienne et markovienne pour des classifications couplées coopératives : application à la segmentation d’IRM du cerveau]
p. 116-141

Sommaire du Fascicule no. 4



Imputation by PLS regression for linear mixed models
[Imputation par régression PLS dans les modèles linéaires mixtes]
p. 30-46