Apprentissage séquentiel non-paramétrique

par Rémi Jezequel

Projet de thèse en Informatique

Sous la direction de Francis Bach, Pierre Gaillard et de Alessandro Rudi.

Thèses en préparation à l'Université Paris sciences et lettres , dans le cadre de École doctorale Sciences mathématiques de Paris centre , en partenariat avec DIENS - Département d'informatique de l'École normale supérieure (laboratoire) et de Ecole normale supérieure (établissement opérateur d'inscription) depuis le 01-09-2019 .


  • Résumé

    Le contexte de cette thèse est l'apprentissage séquentiel, une variante du cadre classique de l'apprentissage statistique dans laquelle les données sont révélées petit à petit. Dans ce cadre, on se propose d'étudier des méthodes non-paramétriques. On souhaite notamment créer et analyser des algorithmes aux performances statistiques optimales tout en étudiant le compromis avec le temps de calcul. Parmi les méthodes non-paramétriques, on se focalisera sur les méthodes à noyaux et leurs approximations. Celles-ci ont déjà été beaucoup étudiées dans le cadre iid mais relativement peu d'un point de vue séquentiel. À plus long terme, nous envisageons également d'étendre les premiers résultats que nous obtiendrons à d'autres contextes comme l'apprentissage structuré ou les modèles de bandits.

  • Titre traduit

    Online non-parametric learning


  • Résumé

    The context of this thesis is sequential learning, a variant of the classical framework of statistical learning in which data are revealed one by one. In this context, we propose to study non-parametric methods. In particular, we want to create and analyze algorithms with optimal statistical performances while studying the compromise with computing time. Among the non-parametric methods, we will focus on the kernel methods and their approximations. These have already been studied a lot in the iid framework but relatively little from a sequential point of view. In the longer term, we also plan to extend the first results we will get to other contexts such as structured learning or bandit models.