Nonlinear adaptative de détection / apprentissage (ESR2)

par Dmitry Babichev

Projet de thèse en Mathématiques

Sous la direction de Francis Bach et de Anatoli Juditsky.

Thèses en préparation à Paris Sciences et Lettres , dans le cadre de Sciences Mathématiques de Paris Centre , en partenariat avec DIENS - Département d'informatique de l'École normale supérieure (laboratoire) et de Ecole normale supérieure (établissement de préparation de la thèse) depuis le 01-10-2015 .


  • Résumé

    Au cours des dernières années, les caractéristiques non-linéaires et des mesures ont montré de grandes promesses empiriques dans l'apprentissage de la machine et le traitement du signal. Le but de ce projet de thèse est de développer de nouvelles méthodologies adaptées aux mesures et prédicteurs non linéaires, avec un accent particulier sur (a) des méthodes basées sur la reformulation convexe de la formation du réseau de neurones, (b) les méthodes de calcul efficaces adaptées aux problèmes à grande échelle on trouve généralement dans les applications, et (c) adaptativité de principe à la capacité d'apprentissage des problèmes sous-jacents. Le projet de thèse commencera par une étude des modèles d'index uniques et multiples de la communauté statistique ainsi que des approches de moment correspondant qui ont récemment reçu la popularité accrue.

  • Titre traduit

    Non-linear adaptive sensing/learning (ESR2)


  • Résumé

    In recent years, non-linear features and measurements have shown great empirical promises in machine learning and signal processing. The aim of this PhD project is to develop new methodologies adapted to non-linear measurements and predictors, with a particular focus on (a) methods based on convex reformulation of neural network training, (b) computationally efficient methods adapted to large-scale problems typically found in applications, and (c) principled adaptivity to the learning capacity of the underlying problems. The thesis project will start with a study of single and multiple index models from the statistical community as well as moment matching approaches which have recently received increased popularity.