UNIVERSITE
Sylvain Arlot (Ecole Normale Supérieure)
Pénalités minimales et sélection d’estimateurs optimale
Lieu
Salle des thèses
Résumé
De nombreux estimateurs sont disponibles pour le problème de régression non-paramétrique : estimateurs par projection, ridge, k-plus proches voisins, etc. Afin de choisir un estimateur de risque minimal avec les données dont on dispose (et sans information supplémentaire), une approche classique est la minimisation de la somme du risque empirique et d’une pénalité. Reste alors à estimer au mieux la pénalité conduisant à un risque optimal. Nous montrerons en quoi des résultats théoriques (quel est le niveau minimal de pénalisation nécessaire pour obtenir un résultat "raisonnable") permettent dans plusieurs cadres d’estimer la pénalité optimale, à l’aide des données uniquement.
Dans la même rubrique :
- Andrés Almansa (Telecom-Paristech)
- Catherine Larédo (INRA)
- Christophe Garban (ENS-Lyon)
- Jean-Baptiste Gouéré (Université d’Orléans)
- Anne-Laure Fougères (Université Lyon 1)
- Laurent Mazliak (Université Pierre et Marie Curie)
- Olivier Pantz (Ecole Polytechnique)
- Bénédicte Haas (Université Paris Dauphine)
- Julien Berestycki (Université Pierre et Marie Curie)
- Olivier Faugeras (INRIA)
- Nathanaël Berestycki (Statistical Laboratory, Cambridge, UK)
- Thierry Lévy (Université Pierre et Marie Curie)
- Antoine Chambaz (MAP5)
- J. Chaskalovic (Institut Jean le Rond d’Alembert, Université Pierre et Marie Curie)
- Cristina Butucea (Université de Marne la Vallée)
- Patrick Dehornoy (Université de Caen)
- Damien Simon (Université Pierre et Marie Curie)
- Gérard Ben Arous (Courant Institute of Mathematical Sciences, New York University)
- Emmanuelle Génin (INSERM)
- Christina Goldschmidt (Université de Warwick, UK)
