- FR
- EN
stoehr@ceremade.dauphine.fr
Tel
: 4967
Bureau
: B640
Site web personnel
Julien Stoehr est Maître de Conférences à l'Université Paris-Dauphine depuis 2017. Après avoir été diplômé de l'École Normale Supérieure Rennes (anciennement École Normale Supérieure de Cachan - Antenne de Bretagne) et reçu à l'agrégation externe de Mathématiques, il a obtenu un doctorat en statistique et s'est spécialisé dans le domaine de la statisique computationnelle. Ses travaux de recherche portent sur la mise en oeuvre de méthodologies statistiques dans un contexte bayésien où le modèle statistique est complexe, e.g., vraisemblance n'ayant pas de forme analytique ou modèles génératifs coûteux à simuler, avec un intérêt particulier pour les méthodes de type Monte Carlo (Monte Carlo par chaînes de Markov, Monte Carlo Hybride et méthodes bayésiennes approchées (ABC)).
Clarte G., Robert C., Ryder R., Stoehr J. (2021), Component-wise approximate Bayesian computation via Gibbs-like steps, Biometrika, vol. 108, n°3, p. 591–607 
Stoehr J., Benson A., Friel N. (2018), Noisy Hamiltonian Monte Carlo for Doubly Intractable Distributions, Journal of Computational and Graphical Statistics, vol. 28, n°1, p. 220-232
Stoehr J., Marin J-M., Pudlo P. (2016), Hidden Gibbs random fields model selection using Block Likelihood Information Criterion, Stat, vol. 5, n°1, p. 158-172
Stoehr J., Pudlo P., Cucala L. (2015), Adaptive ABC model choice and geometric summary statistics for hidden Gibbs random fields, Statistics and Computing, vol. 25, n°1, p. 129-141
Stoehr J., Friel N. (2015), Calibration of conditional composite likelihood for Bayesian inference on Gibbs random fields, in , Volume 38: Artificial Intelligence and Statistics, 9-12 May 2015, San Diego, California, USA, IEEE - Institute of Electrical and Electronics Engineers, 921-929 p.
Stoehr J., Robin S. (2024), Composite likelihood inference for the Poisson log-normal model, Paris, Cahier de recherche CEREMADE, Université Paris Dauphine-PSL, 32 p.
Stoehr J., Robert C. (2024), Simulating signed mixtures, Paris, Cahier de recherche CEREMADE, Université Paris Dauphine-PSL, 30 p.
Clarte G., Ryder R., Robert C., Stoehr J. (2019), Component-wise approximate Bayesian computation via Gibbs-like steps, Paris, Cahier de recherche CEREMADE, Université Paris Dauphine-PSL, 30 p.
Stoehr J. (2019), A review on statistical inference methods for discrete Markov random fields, Paris, Cahier de recherche CEREMADE, Université Paris Dauphine-PSL, 31 p.
Wu C., Stoehr J., Robert C. (2019), Faster Hamiltonian Monte Carlo by Learning Leapfrog Scale, Paris, Cahier de recherche CEREMADE, Université Paris Dauphine-PSL, 18 p.
