Thèse soutenue

Méthodes régularisées pour la prédiction dans les graphes dynamiques et applications au e-marketing
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Émile Richard
Direction : Nicolas Vayatis
Type : Thèse de doctorat
Discipline(s) : Mathématiques
Date : Soutenance le 21/11/2012
Etablissement(s) : Cachan, Ecole normale supérieure
Ecole(s) doctorale(s) : École doctorale Sciences pratiques (1998-2015 ; Cachan, Val-de-Marne)
Jury : Président / Présidente : Francis Bach
Examinateurs / Examinatrices : Theodoros Evgeniou, Stéphane Gaïffas, Michael Irwin Jordan, Thibaut Munier
Rapporteurs / Rapporteuses : Massimiliano Pontil, Jean-Philippe Vert

Mots clés

FR  |  
EN

Résumé

FR  |  
EN

La prédiction de connexions entre objets, basée soit sur une observation bruitée, soit sur une suite d'observations est un problème d'intérêt pour un nombre d'applications allant de la conception de système de recommandation en commerce électronique et réseaux sociaux jusqu'à l'inférence de réseaux en biologie moléculaire. Ce travail présente des formulations du problème de prédiction de lien, dans les cadres statique et temporel, comme un problème régularisé. Dans le scénario statique c'est la combinaison de deux normes bien connues, la norme L1 et la trace-norme qui permet de prédire les liens, alors que dans le cas dynamique, l'utilisation d'un modèle autoregressif sur des descripteurs linéaires permet d'améliorer la qualité de la prédiction. Nous étudierons la nature des solutions des problèmes d'optimisation à la fois en termes statistique et algorithmique. Des résultats empiriques encourageant mettent en évidence l'apport de la méthodologie adoptée.