Un algorithme MCMC distribué pour la résolution de problèmes inverses de grande dimension

Abstract

La résolution de problèmes inverses de grande dimension peut être abordée efficacement à l'aide d'algorithmes distribués. Dans la mesure où les techniques de simulation permettent d'obtenir simultanément estimateurs et intervalles de crédibilité associés, ce travail s'intéresse à l'utilisation d'une technique d'augmentation de modèle et d'algorithmes MCMC pour introduire un échantillonneur distribué. Par-delà l'architecture client-serveur communément utilisée dans la littérature, nous proposons un échantillonneur basé sur une architecture Single Program Multiple Data, pour laquelle une même tâche est affectée à l'ensemble des noeuds de calcul impliqués dans la résolution du problème. L'intérêt de cette approche est illustré dans le cadre d'un problème d'inpainting de grande taille basé sur un a priori de type variation totale.