• 1
  • 2
  • 3
  • 4
  • 5

Workshop LAMOPS 2018

First TASSILI workshop on Shrinkage Estimation and Data Science.

Organized by LAMOPS at ENSSEA, Tipaza (Algeria) and LITIS

at INSA Rouen Normandie, Madrillet, Salle A-RC-02 at the Bougainville building, December the 21th

 

Objectifs scientifiques

La plupart des résultats d’estimation d’une matrice de paramètres ont été développés dans le contexte de la loi normale multivariée. Dans la mesure où l’hypothèse de normalité est souvent mise en défaut, un plus large contexte distributionnel est maintenant considéré. Bien que de récents résultats aient été obtenu dans le cadre les lois à symétrie elliptique qui contient le cas gaussien, dans ce contexte distributionnel, de multiples questions se posent encore. En particulier, il est nécessaire d’obtenir des résultats robustes quant aux propriétés des estimateurs au sens où ceux-ci n’exigeraient pas de spécifier la loi elliptique du bruit mais seraient valides pour une grande classe de telles lois.

Problématique

Problématique fondamentale

Les méthodes modernes d’estimation (Lasso, SCAD, MCP. . . ) dépendant d’un paramètre de réglage conduisent à des familles d’estimateurs. Un des problèmes qui nous intéresse dans ce workshop est de déterminer un critère précis et robuste permettant de sélectionner au sein de la famille considérée le meilleur estimateur pour l’application à traiter. Dans un contexte gaussien i.i.d., le SURE fournit un tel critère. Le but de ce workshop est de faire le point sur les techniques permettant d’améliorer celui-ci en termes de performance et de robustesse. En effet on sait que le SURE est inadmissible, et donc qu’il existe des estimateurs de risque le dominant, et ce dans le cas dépendant et non gaussien. Notre projet vise à déterminer de tels estimateurs améliorés.

Domaines d’application

Le workshop est aussi l’occasion de faire le point sur les applications de ces méthodes dans les domaines de :

1. la factorisation de faible rang pour le traitement d’image dans le cadre de la reconstruction à partir de données incomplètes et à partir de données bruitées ou altérées

2. la complétion de matrices

pour la recommandation, par exemple, dans le cas de la compétition Netflix

pour le traitement d’image (connue sous la dénomination in painting)

3. l’apprentissage de dictionnaire

pour le traitement d’image

pour l’apprentissage multi tâche

Provisional program

09:30 to 10:00

Welcome coffee break

10:00 to 10:15

Stéphane Canu: Openning address

10:15 to 11:15

Fatiha Mezoued: Improved estimation of discriminant coefficients

11:05 to 11:30

Coffee break

11:30 to 12:30

Dominique Fourdrinier: Shrinkage estimation of a location parameter for a multivariate skew elliptic distribution

12:30 to 02:00

Lunch break

02:00 to 02:30

Mohamed Anis Haddouche: Improved estimation of a covariance matrix

03:00 to 03:30

Ismaila Seck: Deep learning and adversarial examples

02:30 to 03:00

Djamila Boukehil: Improved estimation of a precision matrix

03:30 to 04:00

Nihad Nouri: SURE and image processing

04:00 to 04:30

Coffe break and open discussion about the continuation of the collaboration

 

Telecharger le document officiel

porn Porn