Algorithmes de poursuite stochastiques et inégalités de concentration empiriques pour l'apprentissage statistique

摘要: La premiere partie de cette these introduit nouveaux algorithmes decomposition parcimonieuse signaux. Bases sur Matching Pursuit (MP) ils repondent au probleme suivant : comment reduire le temps calcul l'etape selection MP, souvent tres couteuse. En reponse, nous sous-echantillonnons dictionnaire a chaque iteration, en lignes et colonnes. Nous montrons que approche fondee theoriquement affiche bons resultats pratique. proposons ensuite un algorithme iteratif descente gradient par blocs coordonnees pour selectionner des caracteristiques classification multi-classes. Celui-ci s'appuie l'utilisation codes correcteurs d'erreurs transformant representation simultanee deuxieme expose nouvelles inegalites concentration empiriques type Bernstein. premier, elles concernent la theorie U-statistiques sont utilisees elaborer bornes generalisation dans cadre d'algorithmes ranking. Ces tirent parti d'un estimateur variance lequel efficace. Ensuite, presentons une version empirique l'inegalite Bernstein proposee Freedman [1975] les martingales. Ici encore, force notre borne reside l'introduction calculable partir donnees. Cela permet proposer l'ensemble d'apprentissage ligne ameliorant l'etat l'art ouvrant porte nouvelle famille tirant information empirique.