Zobrazeno 1 - 7
of 7
pro vyhledávání: '"Wade, Modou"'
Autor:
Kengne, William, Wade, Modou
The explicit regularization and optimality of deep neural networks estimators from independent data have made considerable progress recently. The study of such properties on dependent data is still a challenge. In this paper, we carry out deep learni
Externí odkaz:
http://arxiv.org/abs/2406.08321
Autor:
Kengne, William, Wade, Modou
Recent developments on deep learning established some theoretical properties of deep neural networks estimators. However, most of the existing works on this topic are restricted to bounded loss functions or (sub)-Gaussian or bounded input. This paper
Externí odkaz:
http://arxiv.org/abs/2405.05081
Autor:
Kengne, William, Wade, Modou
This paper carries out sparse-penalized deep neural networks predictors for learning weakly dependent processes, with a broad class of loss functions. We deal with a general framework that includes, regression estimation, classification, times series
Externí odkaz:
http://arxiv.org/abs/2305.06230
Autor:
Kengne, William, Wade, Modou
We consider the nonparametric regression and the classification problems for $\psi$-weakly dependent processes. This weak dependence structure is more general than conditions such as, mixing, association, $\ldots$. A penalized estimation method for s
Externí odkaz:
http://arxiv.org/abs/2303.01406
Autor:
Kengne, William, Wade, Modou
Publikováno v:
In Journal of Statistical Planning and Inference September 2024 232
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.