<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Processus gaussiens | Mehdi LATIF</title><link>https://mlatif.fr/fr/tag/Processus-gaussiens/</link><atom:link href="https://mlatif.fr/fr/tag/Processus-gaussiens/index.xml" rel="self" type="application/rss+xml"/><description>Processus gaussiens</description><generator>Source Themes Academic (https://sourcethemes.com/academic/)</generator><language>fr</language><lastBuildDate>Mon, 09 Nov 2026 00:00:00 +0100</lastBuildDate><image><url>https://mlatif.fr/img/avatar.jpg</url><title>Processus gaussiens</title><link>https://mlatif.fr/fr/tag/Processus-gaussiens/</link></image><item><title>Vers une séparation robuste du signal cosmologique à 21 cm : modélisation structurée, régularisation et inférence bayésienne</title><link>https://mlatif.fr/fr/publication/projet-recherche-mlgpr21cm/</link><pubDate>Mon, 09 Nov 2026 00:00:00 +0100</pubDate><guid>https://mlatif.fr/fr/publication/projet-recherche-mlgpr21cm/</guid><description>&lt;hr>
&lt;h2 id="présentation">Présentation&lt;/h2>
&lt;p>Cette proposition de recherche indépendante s&amp;rsquo;appuie sur l&amp;rsquo;analyse de plusieurs travaux concernant la séparation du signal cosmologique à 21 cm par régression à processus gaussiens (GPR et ML-GPR).&lt;/p>
&lt;p>Elle examine deux axes méthodologiques complémentaires : &lt;strong>la modélisation structurée des contaminants&lt;/strong> et &lt;strong>la régularisation de l&amp;rsquo;apprentissage des modèles de covariance&lt;/strong>. Leur évaluation est envisagée dans un cadre probabiliste et bayésien, sur simulations puis, lorsque cela est possible, sur observations réelles.&lt;/p>
&lt;p>&lt;em>Version initiale : 30 septembre 2026. Version révisée : 9 novembre 2026.&lt;/em>&lt;/p></description></item></channel></rss>