Zobrazeno 1 - 10
of 19
pro vyhledávání: '"Merad, Ibrahim"'
Autor:
Merad, Ibrahim, Gaïffas, Stéphane
Publikováno v:
Transactions on Machine Learning Research 2024
We introduce a clipping strategy for Stochastic Gradient Descent (SGD) which uses quantiles of the gradient norm as clipping thresholds. We prove that this new strategy provides a robust and efficient optimization algorithm for smooth objectives (con
Externí odkaz:
http://arxiv.org/abs/2309.17316
Autor:
Merad, Ibrahim, Gaïffas, Stéphane
We consider the optimization of a smooth and strongly convex objective using constant step-size stochastic gradient descent (SGD) and study its properties through the prism of Markov chains. We show that, for unbiased gradient estimates with mildly c
Externí odkaz:
http://arxiv.org/abs/2306.11497
Autor:
Merad, Ibrahim, Gaïffas, Stéphane
We propose statistically robust and computationally efficient linear learning methods in the high-dimensional batch setting, where the number of features $d$ may exceed the sample size $n$. We employ, in a generic learning setting, two algorithms dep
Externí odkaz:
http://arxiv.org/abs/2208.05447
Autor:
Gaïffas, Stéphane, Merad, Ibrahim
This paper considers the problem of supervised learning with linear methods when both features and labels can be corrupted, either in the form of heavy tailed data and/or corrupted rows. We introduce a combination of coordinate gradient descent as a
Externí odkaz:
http://arxiv.org/abs/2201.13372
We introduce WildWood (WW), a new ensemble algorithm for supervised learning of Random Forest (RF) type. While standard RF algorithms use bootstrap out-of-bag samples to compute out-of-bag scores, WW uses these samples to produce improved predictions
Externí odkaz:
http://arxiv.org/abs/2109.08010
Contrastive representation learning has been recently proved to be very efficient for self-supervised training. These methods have been successfully used to train encoders which perform comparably to supervised training on downstream classification t
Externí odkaz:
http://arxiv.org/abs/2012.01064
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
Proceedings of SPIE; 9/9/2019, Vol. 11138, p1-7, 7p
