BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Département de mathématiques et applications - ECPv6.2.2//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-ORIGINAL-URL:https://www.math.ens.psl.eu
X-WR-CALDESC:évènements pour Département de mathématiques et applications
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:Europe/Paris
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20110327T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20111030T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20110131T133000
DTEND;TZID=Europe/Paris:20110131T143000
DTSTAMP:20260411T155517
CREATED:20110131T123000Z
LAST-MODIFIED:20211104T090215Z
UID:7981-1296480600-1296484200@www.math.ens.psl.eu
SUMMARY:Les liens de la régularisation L1 avec la sélection de modèles parmi des boules L1
DESCRIPTION:Cet exposé est destiné à expliquer comment la régularisation L1 peut être vue comme procédure de sélection de modèles parmi des boules L1.  \nDans un premier temps\, j’analyserai la performance du Lasso en tant qu’algorithme de régularisation L1 en proposant une inégalité oracle L1 satisfaite par cet estimateur dans le cadre de la régression linéaire pour un dictionnaire fini.  \nDans un second temps\, je présenterai un estimateur particulièrement adapté à l’utilisation de dictionnaires infinis\, construit par pénalisation L0 d’une suite d’estimateurs Lasso associés à une suite dyadique croissante de dictionnaires tronqués. Le niveau de troncature du dictionnaire est choisi automatiquement de façon à garantir le meilleur compromis entre approximation\, régularisation L1 et parcimonie. Dans le cas d’un dictionnaire orthonormal\, cet estimateur correspond à un estimateur par seuillage doux dont le seuil est choisi de manière adaptative et optimale. De plus\, cet estimateur a l’avantage d’avoir des vitesses de convergence optimales sur des boules de Besov et d’être adaptatif aux paramètres de régularité de la fonction de régression inconnue\, contrairement aux estimateurs classiques par seuillage doux avec seuil fixe.  \nDans un troisième temps\, j’expliquerai comment les inégalités oracles présentées sont déduites d’un théorème de sélection de modèles établi par Pascal Massart (Saint Flour\, 2003).  \n  \nArticle de référence : An L1-Oracle Inequality for the Lasso par Caroline Meynet et Pascal Massart
URL:https://www.math.ens.psl.eu/evenement/les-liens-de-la-regularisation-l1-avec-la-selection-de-modeles-parmi-des-boules-l1/
LOCATION:DMA Salle W
CATEGORIES:SMILE in Paris
END:VEVENT
END:VCALENDAR