Zobrazeno 1 - 10
of 10
pro vyhledávání: '"PAC-Bayesian learning"'
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Ilaria Giulini
Publikováno v:
Bernoulli
Bernoulli, Bernoulli Society for Mathematical Statistics and Probability, 2018, 24 (4B), ⟨10.3150/17-BEJ981⟩
Bernoulli 24, no. 4B (2018), 3864-3923
Bernoulli, Bernoulli Society for Mathematical Statistics and Probability, 2018, 24 (4B), ⟨10.3150/17-BEJ981⟩
Bernoulli 24, no. 4B (2018), 3864-3923
In this paper, we investigate the question of estimating the Gram operator by a robust estimator from an i.i.d. sample in a separable Hilbert space and we present uniform bounds that hold under weak moment assumptions. The approach consists in first
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::21239c7d86efa5a99367ef8c70d988ac
https://hal.archives-ouvertes.fr/hal-03196129
https://hal.archives-ouvertes.fr/hal-03196129
Autor:
Ilaria Giulini
Publikováno v:
Electron. J. Statist. 11, no. 2 (2017), 3903-3926
Electronic Journal of Statistics
Electronic Journal of Statistics, Shaker Heights, OH : Institute of Mathematical Statistics, 2017, 11 (2), ⟨10.1214/17-EJS1343⟩
Electronic Journal of Statistics
Electronic Journal of Statistics, Shaker Heights, OH : Institute of Mathematical Statistics, 2017, 11 (2), ⟨10.1214/17-EJS1343⟩
This is a study of principal component analysis performed on a statistical sample. We assume that this data sample is made of independent copies of some random variable ranging in a separable real Hilbert space. This covers data in function spaces as
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::15c6aed521a0f569a44d318390791a0d
https://projecteuclid.org/euclid.ejs/1508292530
https://projecteuclid.org/euclid.ejs/1508292530
Autor:
Giulini, Ilaria
Ce travail de thèse porte sur l'obtention de bornes de généralisation pour des échantillons statistiques à valeur dans des espaces de Hilbert définis par des noyaux reproduisants. L'approche consiste à obtenir des bornes non asymptotiques ind
Externí odkaz:
http://www.theses.fr/2015ENSU0026/document
Autor:
Giulini, Ilaria
Publikováno v:
Statistics [math.ST]. Ecole normale supérieure-ENS PARIS, 2015. English. ⟨NNT : 2015ENSU0026⟩
This thesis focuses on obtaining generalization bounds for random samples in reproducing kernel Hilbert spaces. The approach consists in first obtaining non-asymptotic dimension-free bounds in finite-dimensional spaces using some PAC-Bayesian inequal
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=od______2592::80c2eb95f5db301d6fcf37f540e51b99
https://tel.archives-ouvertes.fr/tel-01774959/file/Giulini-2015-These.pdf
https://tel.archives-ouvertes.fr/tel-01774959/file/Giulini-2015-These.pdf
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:
International Conference on Machine Learning 2013
International Conference on Machine Learning 2013, Jun 2013, Atlanta, United States. pp.738-746
Scopus-Elsevier
International Conference on Machine Learning 2013, Jun 2013, Atlanta, United States. pp.738-746
Scopus-Elsevier
International audience; We provide a first PAC-Bayesian analysis for domain adaptation (DA) which arises when the learning and test distributions differ. It relies on a novel distribution pseudodistance based on a disagreement averaging. Using this m
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=dedup_wf_001::8b8bf387d26e6c20b96ef08433d61177
https://hal.science/hal-00822685
https://hal.science/hal-00822685
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.
We present an improved bound on the difference between training and test errors for voting classifiers. This improved averaging bound provides a theoretical justification for popular averaging techniques such as Bayesian classification, Maximum Entro
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=od_______185::a9008307ac62263bcb4dc75245ac83fd
https://infoscience.epfl.ch/record/161321
https://infoscience.epfl.ch/record/161321