Search

Your search keyword '"Rouviere, Laurent"' showing total 33 results
Start Over Author "Rouviere, Laurent"

Refine your results

more »

more »

33 results on '"Rouviere, Laurent"'

1. Statistical analysis of a hierarchical clustering algorithm with outliers

Author

Klutchnikoff, Nicolas, Poterie, Audrey, and Rouviere, Laurent

Subjects
Mathematics - Statistics Theory
Abstract

It is well known that the classical single linkage algorithm usually fails to identify clusters in the presence of outliers. In this paper, we propose a new version of this algorithm, and we study its mathematical performances. In particular, we establish an oracle type inequality which ensures that our procedure allows to recover the clusters with large probability under minimal assumptions on the distribution of the outliers. We deduce from this inequality the consistency and some rates of convergence of our algorithm for various situations. Performances of our approach is also assessed through simulation studies and a comparison with classical clustering algorithms on simulated data is also presented.

Published
2022

2. Accelerated Gradient Boosting

Author

Biau, Gérard, Cadre, Benoît, and Rouvìère, Laurent

Subjects
Statistics - Machine Learning, Computer Science - Learning
Abstract

Gradient tree boosting is a prediction algorithm that sequentially produces a model in the form of linear combinations of decision trees, by solving an infinite-dimensional optimization problem. We combine gradient boosting and Nesterov's accelerated descent to design a new algorithm, which we call AGB (for Accelerated Gradient Boosting). Substantial numerical evidence is provided on both synthetic and real-life data sets to assess the excellent performance of the method in a large variety of prediction problems. It is empirically shown that AGB is much less sensitive to the shrinkage parameter and outputs predictors that are considerably more sparse in the number of trees, while retaining the exceptional performance of gradient boosting.

Published
2018

3. On clustering procedures and nonparametric mixture estimation

Author

Auray, Stéphane, Klutchnikoff, Nicolas, and Rouvière, Laurent

Subjects
Mathematics - Statistics Theory
Abstract

This paper deals with nonparametric estimation of conditional den-sities in mixture models in the case when additional covariates are available. The proposed approach consists of performing a prelim-inary clustering algorithm on the additional covariates to guess the mixture component of each observation. Conditional densities of the mixture model are then estimated using kernel density estimates ap-plied separately to each cluster. We investigate the expected L 1 -error of the resulting estimates and derive optimal rates of convergence over classical nonparametric density classes provided the clustering method is accurate. Performances of clustering algorithms are measured by the maximal misclassification error. We obtain upper bounds of this quantity for a single linkage hierarchical clustering algorithm. Lastly, applications of the proposed method to mixture models involving elec-tricity distribution data and simulated data are presented.

Published
2015

4. Statistical analysis of $k$-nearest neighbor collaborative recommendation

Author

Biau, Gérard, Cadre, Benoît, and Rouvière, Laurent

Subjects
Mathematics - Statistics Theory
Abstract

Collaborative recommendation is an information-filtering technique that attempts to present information items that are likely of interest to an Internet user. Traditionally, collaborative systems deal with situations with two types of variables, users and items. In its most common form, the problem is framed as trying to estimate ratings for items that have not yet been consumed by a user. Despite wide-ranging literature, little is known about the statistical properties of recommendation systems. In fact, no clear probabilistic model even exists which would allow us to precisely describe the mathematical forces driving collaborative filtering. To provide an initial contribution to this, we propose to set out a general sequential stochastic model for collaborative recommendation. We offer an in-depth analysis of the so-called cosine-type nearest neighbor collaborative method, which is one of the most widely used algorithms in collaborative filtering, and analyze its asymptotic performance as the number of users grows. We establish consistency of the procedure under mild assumptions on the model. Rates of convergence and examples are also provided., Comment: Published in at http://dx.doi.org/10.1214/09-AOS759 the Annals of Statistics (http://www.imstat.org/aos/) by the Institute of Mathematical Statistics (http://www.imstat.org)

Published
2010
Full Text
View/download PDF

5. A Stochastic Model for Collaborative Recommendation

Author

Biau, Gérard, Cadre, Benoit, and Rouvière, Laurent

Subjects
Statistics - Machine Learning, Mathematics - Statistics Theory
Abstract

Collaborative recommendation is an information-filtering technique that attempts to present information items (movies, music, books, news, images, Web pages, etc.) that are likely of interest to the Internet user. Traditionally, collaborative systems deal with situations with two types of variables, users and items. In its most common form, the problem is framed as trying to estimate ratings for items that have not yet been consumed by a user. Despite wide-ranging literature, little is known about the statistical properties of recommendation systems. In fact, no clear probabilistic model even exists allowing us to precisely describe the mathematical forces driving collaborative filtering. To provide an initial contribution to this, we propose to set out a general sequential stochastic model for collaborative recommendation and analyze its asymptotic performance as the number of users grows. We offer an in-depth analysis of the so-called cosine-type nearest neighbor collaborative method, which is one of the most widely used algorithms in collaborative filtering. We establish consistency of the procedure under mild assumptions on the model. Rates of convergence and examples are also provided.

Published
2009

6. Multiplicative Bias Corrected Nonparametric Smoothers

Author

Hengartner, Nicolas, Matzner-Løber, Eric, Rouvière, Laurent, and Burr, Thomas

Subjects
Mathematics - Statistics Theory
Abstract

The paper presents a multiplicative bias reduction estimator for nonparametric regression. The approach consists to apply a multiplicative bias correction to an oversmooth pilot estimator. In Burr et al. [2010], this method has been tested to estimate energy spectra. For such data set, it was observed that the method allows to decrease bias with negligible increase in variance. In this paper, we study the asymptotic properties of the resulting estimate and prove that this estimate has zero asymptotic bias and the same asymptotic variance as the local linear estimate. Simulations show that our asymptotic results are available for modest sample sizes., Comment: 29 pages

Published
2009

10. Régression avec R

Author

Cornillon, Pierre-André, Matzner-Løber, Eric, Hengartner, Nicolas, Rouviere, Laurent, Institut de Recherche Mathématique de Rennes (IRMAR), AGROCAMPUS OUEST, Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Université de Rennes 1 (UR1), Université de Rennes (UNIV-RENNES)-Université de Rennes (UNIV-RENNES)-Université de Rennes 2 (UR2), Université de Rennes (UNIV-RENNES)-École normale supérieure - Rennes (ENS Rennes)-Centre National de la Recherche Scientifique (CNRS)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA), Université de Rennes 2 (UR2), Université de Rennes (UNIV-RENNES), Los Alamos National Laboratory (LANL), and IRMAR-STAT

Subjects
[STAT]Statistics [stat], ComputingMilieux_MISCELLANEOUS
Abstract

International audience

Published
2019

11. SYSIPHE, an airborne hyperspectral imaging system from visible to thermal infrared. Results from the 2015 airborne campaign

Author

Rousset-Rouviere, Laurent, Coudrain, Christophe, Fabre, Sophie, Ferrec, Yann, Poutier, Laurent, Viallefont, Françoise, Rivière, Thomas, Ceamanos, Xavier, Loke, Trond, Fridman, Andrei, Baarstard, Ivar, Skauli, Torbjorn, Sisakoun, Isabelle, ONERA - The French Aerospace Lab [Palaiseau], ONERA-Université Paris Saclay (COmUE), Norsk Elektro Optikk AS (NEO), Norsk Elektro Optikk AS, Norwegian Defence Research Establishment (FFI), Délégation générale de l'armement (DGA), and Ministère de la Défense

Subjects
SYSIPHE, HYPERSPECTRAL, INFRAROUGE, TRANSFORMEE FOURIER, ODIN, AEROPORTE, [SPI.OPTI]Engineering Sciences [physics]/Optics / Photonic, SIELETERS
Abstract

International audience; SYSIPHE is an airborne hyperspectral imaging system covering all atmospheric transmission bands from 0.4μm to 11.5μm. The ground sampling distance is 0.5m over a 500m swath, with higher resolution available in the visible and NIR. SYSIPHE is flown on a Do-228 aircraft operated by DLR. The system also comprises a real-time processing capability and a ground postprocessing chain. The main information products are georeferenced images of spectral radiance, spectral emissivity and reflectance as well as a surface temperature map. After a certification campaign in 2013, qualification airborne campaign for military applications was carried out during the summer of 2015, and this system is now available to external users, representing a significant enhancement of airborne sensing capabilities in Europe. After a brief description of the system and of the 2015 campaign, we present some experimental results from this airborne campaign.

Published
2017

12. R for statistics

Author

Cornillon , Pierre-André, Guyader , Arnaud, Husson , François, Jégou , Nicolas, Josse , Julie, Kloareg , Maela, Matzner-Løber , Eric, Rouviere , Laurent, Institut de Recherche Mathématique de Rennes ( IRMAR ), Université de Rennes 1 ( UR1 ), Université de Rennes ( UNIV-RENNES ) -Université de Rennes ( UNIV-RENNES ) -AGROCAMPUS OUEST-École normale supérieure - Rennes ( ENS Rennes ) -Institut National de Recherche en Informatique et en Automatique ( Inria ) -Institut National des Sciences Appliquées ( INSA ) -Université de Rennes 2 ( UR2 ), Université de Rennes ( UNIV-RENNES ) -Centre National de la Recherche Scientifique ( CNRS ), Université de Rennes 2 ( UR2 ), Université de Rennes ( UNIV-RENNES ), Applications of interacting particle systems to statistics ( ASPI ), Université de Rennes ( UNIV-RENNES ) -Centre National de la Recherche Scientifique ( CNRS ) -Université de Rennes 1 ( UR1 ), Université de Rennes ( UNIV-RENNES ) -Centre National de la Recherche Scientifique ( CNRS ) -Inria Rennes – Bretagne Atlantique, Institut National de Recherche en Informatique et en Automatique ( Inria ), AGROCAMPUS OUEST, Centre de recherche en Statistique [Rennes], and Université de Rennes ( UNIV-RENNES ) -Université de Rennes ( UNIV-RENNES )

Subjects
[ MATH.MATH-ST ] Mathematics [math]/Statistics [math.ST], [ STAT.TH ] Statistics [stat]/Statistics Theory [stat.TH]
Published
2012

13. Un modèle stochastique pour les systèmes de recommandation

Author

Biau, Gérard, Cadre, Benoît, Rouviere, Laurent, Laboratoire de Statistique Théorique et Appliquée (LSTA), Université Pierre et Marie Curie - Paris 6 (UPMC), Institut de Recherche Mathématique de Rennes (IRMAR), AGROCAMPUS OUEST, Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Université de Rennes 1 (UR1), Université de Rennes (UNIV-RENNES)-Université de Rennes (UNIV-RENNES)-Université de Rennes 2 (UR2), Université de Rennes (UNIV-RENNES)-École normale supérieure - Rennes (ENS Rennes)-Centre National de la Recherche Scientifique (CNRS)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA), Institut de Mathématiques et de Modélisation de Montpellier (I3M), Centre National de la Recherche Scientifique (CNRS)-Université Montpellier 2 - Sciences et Techniques (UM2)-Université de Montpellier (UM), Université de Rennes 2 (UR2), Université de Rennes (UNIV-RENNES), Laboratoire de Statistique Théorique et Appliquée ( LSTA ), Université Pierre et Marie Curie - Paris 6 ( UPMC ), Institut de Recherche Mathématique de Rennes ( IRMAR ), Université de Rennes 1 ( UR1 ), Université de Rennes ( UNIV-RENNES ) -Université de Rennes ( UNIV-RENNES ) -AGROCAMPUS OUEST-École normale supérieure - Rennes ( ENS Rennes ) -Institut National de Recherche en Informatique et en Automatique ( Inria ) -Institut National des Sciences Appliquées ( INSA ) -Université de Rennes 2 ( UR2 ), Université de Rennes ( UNIV-RENNES ) -Centre National de la Recherche Scientifique ( CNRS ), Institut de Mathématiques et de Modélisation de Montpellier ( I3M ), Université Montpellier 2 - Sciences et Techniques ( UM2 ) -Université de Montpellier ( UM ) -Centre National de la Recherche Scientifique ( CNRS ), Université de Rennes 2 ( UR2 ), Université de Rennes ( UNIV-RENNES ), Université Pierre et Marie Curie - Paris 6 (UPMC)-Centre National de la Recherche Scientifique (CNRS), Université de Rennes (UR)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-École normale supérieure - Rennes (ENS Rennes)-Université de Rennes 2 (UR2)-Centre National de la Recherche Scientifique (CNRS)-INSTITUT AGRO Agrocampus Ouest, Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro), and Université Montpellier 2 - Sciences et Techniques (UM2)-Université de Montpellier (UM)-Centre National de la Recherche Scientifique (CNRS)

Subjects
[MATH.MATH-ST]Mathematics [math]/Statistics [math.ST], [ MATH.MATH-ST ] Mathematics [math]/Statistics [math.ST], [STAT.TH]Statistics [stat]/Statistics Theory [stat.TH], [ STAT.TH ] Statistics [stat]/Statistics Theory [stat.TH]
Abstract

International audience; Les systèmes de recommandation établissent des suggestions personnalisées à des individus concernant des objets (livres, films, musique) susceptibles de les intéresser. Les recommandations sont généralement basées sur l'estimation de notes relatives à des objets que l'utilisateur n'a pas consommés. En dépit d'une littérature abondante, les propriétés statistiques des systèmes de recommandation ne sont pas encore clairement établies. Dans ce travail, nous proposons un modèle stochastique pour les systèmes de recommandation et nous analysons ses propriétés asymptotiques lorsque le nombre d'utilisateurs augmente. Nous établissons la convergence de la procédure sous de faibles hypothèses concernant le modèle. Les vitesses de convergence sont également présentées.

Published
2009

14. FUNCTIONAL SUPERVISED CLASSIFICATION WITH WAVELETS

Author

Berlinet , Alain, Biau , Gérard, Rouviere , Laurent, Institut de Mathématiques et de Modélisation de Montpellier (I3M), Centre National de la Recherche Scientifique (CNRS)-Université Montpellier 2 - Sciences et Techniques (UM2)-Université de Montpellier (UM), Laboratoire de Statistique Théorique et Appliquée (LSTA), Université Pierre et Marie Curie - Paris 6 (UPMC), Institut de Recherche Mathématique de Rennes (IRMAR), AGROCAMPUS OUEST, Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Université de Rennes 1 (UR1), Université de Rennes (UNIV-RENNES)-Université de Rennes (UNIV-RENNES)-Université de Rennes 2 (UR2), Université de Rennes (UNIV-RENNES)-École normale supérieure - Rennes (ENS Rennes)-Centre National de la Recherche Scientifique (CNRS)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA), Université Pierre et Marie Curie - Paris 6 (UPMC)-Centre National de la Recherche Scientifique (CNRS), AGROCAMPUS OUEST-Université de Rennes 1 (UR1), Université Montpellier 2 - Sciences et Techniques (UM2)-Université de Montpellier (UM)-Centre National de la Recherche Scientifique (CNRS), Université de Rennes 2 (UR2), Université de Rennes (UR)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-École normale supérieure - Rennes (ENS Rennes)-Université de Rennes 2 (UR2)-Centre National de la Recherche Scientifique (CNRS)-INSTITUT AGRO Agrocampus Ouest, Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro), Institut de Mathématiques et de Modélisation de Montpellier ( I3M ), Université Montpellier 2 - Sciences et Techniques ( UM2 ) -Université de Montpellier ( UM ) -Centre National de la Recherche Scientifique ( CNRS ), Laboratoire de Statistique Théorique et Appliquée ( LSTA ), Université Pierre et Marie Curie - Paris 6 ( UPMC ), Institut de Recherche Mathématique de Rennes ( IRMAR ), Université de Rennes 1 ( UR1 ), Université de Rennes ( UNIV-RENNES ) -Université de Rennes ( UNIV-RENNES ) -AGROCAMPUS OUEST-École normale supérieure - Rennes ( ENS Rennes ) -Institut National de Recherche en Informatique et en Automatique ( Inria ) -Institut National des Sciences Appliquées ( INSA ) -Université de Rennes 2 ( UR2 ), Université de Rennes ( UNIV-RENNES ) -Centre National de la Recherche Scientifique ( CNRS ), and Gestionnaire, Hal Sorbonne Université

Subjects
[STAT.TH] Statistics [stat]/Statistics Theory [stat.TH], [MATH.MATH-ST]Mathematics [math]/Statistics [math.ST], [ MATH.MATH-ST ] Mathematics [math]/Statistics [math.ST], [STAT.TH]Statistics [stat]/Statistics Theory [stat.TH], [MATH.MATH-ST] Mathematics [math]/Statistics [math.ST], [ STAT.TH ] Statistics [stat]/Statistics Theory [stat.TH], ComputingMilieux_MISCELLANEOUS
Abstract

International audience; Let X be a random variable taking values in a Hilbert space and let Y be a random label with values in {0, 1}. Given a collection of classification rules and a learning sample of independent copies of the pair (X, Y ), it is shown how to select optimally and consistently a classifier. As a general strategy, the learning sample observations are first expanded on a wavelet basis and the overall infinite dimension is reduced to a finite one via a suitable data-dependent thresholding. Then, a finite-dimensional classification rule is performed on the non-zero coefficients. Both the dimension and the classifier are automatically selected by data-splitting and empirical risk minimization. Applications of this technique to a signal discrimination problem involving speech recordings and simulated data are presented.

Published
2008

15. Statistique avec R

Author

Cornillon , Pierre-André, Guyader , Arnaud, Husson , François, Jégou , Nicolas, Josse , Julie, Kloareg , Maela, Matzner-Løber , Eric, Rouviere , Laurent, Institut de Recherche Mathématique de Rennes ( IRMAR ), Université de Rennes 1 ( UR1 ), Université de Rennes ( UNIV-RENNES ) -Université de Rennes ( UNIV-RENNES ) -AGROCAMPUS OUEST-École normale supérieure - Rennes ( ENS Rennes ) -Institut National de Recherche en Informatique et en Automatique ( Inria ) -Institut National des Sciences Appliquées ( INSA ) -Université de Rennes 2 ( UR2 ), Université de Rennes ( UNIV-RENNES ) -Centre National de la Recherche Scientifique ( CNRS ), Applications of interacting particle systems to statistics ( ASPI ), Université de Rennes ( UNIV-RENNES ) -Université de Rennes ( UNIV-RENNES ) -Inria Rennes – Bretagne Atlantique, and Institut National de Recherche en Informatique et en Automatique ( Inria ) -Institut National de Recherche en Informatique et en Automatique ( Inria ) -Centre National de la Recherche Scientifique ( CNRS )

Subjects
[ MATH.MATH-ST ] Mathematics [math]/Statistics [math.ST], [ STAT.TH ] Statistics [stat]/Statistics Theory [stat.TH]
Abstract

Ce manuel explique le fonctionnement du logiciel R et il montre la mise en œuvre d'une vingtaine de méthodes statistiques au travers de fiches. Ces fiches sont basées sur des exemples concrets et balayent un large spectre de techniques classiques en traitement de données. Ce guide s'adresse aux débutants comme aux utilisateurs réguliers de R. Il leur permettra de réaliser rapidement des graphiques et des traitements statistiques simples ou élaborés.

Published
2008

16. Statistique avec R

Author

Cornillon, Pierre-André, Guyader, Arnaud, Husson, François, Jégou, Nicolas, Josse, Julie, Kloareg, Maela, Matzner-Løber, Eric, Rouviere, Laurent, Institut de Recherche Mathématique de Rennes (IRMAR), AGROCAMPUS OUEST, Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Université de Rennes 1 (UR1), Université de Rennes (UNIV-RENNES)-Université de Rennes (UNIV-RENNES)-Université de Rennes 2 (UR2), Université de Rennes (UNIV-RENNES)-École normale supérieure - Rennes (ENS Rennes)-Centre National de la Recherche Scientifique (CNRS)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA), Applications of interacting particle systems to statistics (ASPI), Université de Rennes 1 (UR1), Université de Rennes (UNIV-RENNES)-Université de Rennes (UNIV-RENNES)-Inria Rennes – Bretagne Atlantique, and Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Centre National de la Recherche Scientifique (CNRS)

Subjects
[MATH.MATH-ST]Mathematics [math]/Statistics [math.ST], [STAT.TH]Statistics [stat]/Statistics Theory [stat.TH]
Abstract

Ce manuel explique le fonctionnement du logiciel R et il montre la mise en œuvre d'une vingtaine de méthodes statistiques au travers de fiches. Ces fiches sont basées sur des exemples concrets et balayent un large spectre de techniques classiques en traitement de données. Ce guide s'adresse aux débutants comme aux utilisateurs réguliers de R. Il leur permettra de réaliser rapidement des graphiques et des traitements statistiques simples ou élaborés.

Published
2008

17. Sélection d'histogrammes modifiés itérés

Author

Rouviere, Laurent, Institut de Recherche Mathématique de Rennes ( IRMAR ), Université de Rennes 1 ( UR1 ), Université de Rennes ( UNIV-RENNES ) -Université de Rennes ( UNIV-RENNES ) -AGROCAMPUS OUEST-École normale supérieure - Rennes ( ENS Rennes ) -Institut National de Recherche en Informatique et en Automatique ( Inria ) -Institut National des Sciences Appliquées ( INSA ) -Université de Rennes 2 ( UR2 ), Université de Rennes ( UNIV-RENNES ) -Centre National de la Recherche Scientifique ( CNRS ), Institut de Recherche Mathématique de Rennes (IRMAR), AGROCAMPUS OUEST, Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Université de Rennes 1 (UR1), Université de Rennes (UNIV-RENNES)-Université de Rennes (UNIV-RENNES)-Université de Rennes 2 (UR2), Université de Rennes (UNIV-RENNES)-École normale supérieure - Rennes (ENS Rennes)-Centre National de la Recherche Scientifique (CNRS)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Université de Rennes (UNIV-RENNES)-Institut National des Sciences Appliquées (INSA), Rouvière, Laurent, Université de Rennes (UR)-Institut National des Sciences Appliquées - Rennes (INSA Rennes), Institut National des Sciences Appliquées (INSA)-Institut National des Sciences Appliquées (INSA)-École normale supérieure - Rennes (ENS Rennes)-Université de Rennes 2 (UR2)-Centre National de la Recherche Scientifique (CNRS)-INSTITUT AGRO Agrocampus Ouest, and Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)-Institut national d'enseignement supérieur pour l'agriculture, l'alimentation et l'environnement (Institut Agro)

Subjects
Estimation de densité, [STAT.TH] Statistics [stat]/Statistics Theory [stat.TH], [MATH.MATH-ST]Mathematics [math]/Statistics [math.ST], système dynamique, [STAT.TH]Statistics [stat]/Statistics Theory [stat.TH], [ MATH.MATH-ST ] Mathematics [math]/Statistics [math.ST], [MATH.MATH-ST] Mathematics [math]/Statistics [math.ST], [ STAT.TH ] Statistics [stat]/Statistics Theory [stat.TH], estimation non paramétrique
Abstract

International audience; Les histogrammes modifiés sont des estimateurs de la densité connus pour posséder de bonnes propriétés de convergence au sens des critères de la théorie de l'information. Ces estimateurs sont construits à partir d'une densité de référence g. Dans ce travail, nous envisageons les histogrammes modifiés comme des systèmes dynamiques fonctionnels qui, à une densité g donnée, associent une trajectoire d'estimateurs {Bpg}p≥0. Berlinet et Biau [3] ont montré sous certaines hypothèses, que cette trajectoire devient presque sûrement stationnaire. La famille d'estimateurs {Bpg, p ≥ 0} est alors de cardinal fini. Nous présentons deux méthodes permettant de sélectionner automatiquement un estimateur à l'intérieur de cette famille. Ces deux procédures sont ensuite utilisées pour tenter d'am´eliorer les performances d'estimateurs à noyau de la densité.

Published
2006

18. Estimation de densité en dimension élevée et classification de courbes

Author

Rouviere, Laurent, Institut de Mathématiques et de Modélisation de Montpellier (I3M), Centre National de la Recherche Scientifique (CNRS)-Université Montpellier 2 - Sciences et Techniques (UM2)-Université de Montpellier (UM), Université Montpellier II - Sciences et Techniques du Languedoc, and Alain Berlinet et Gérard Biau

Subjects
combinatorial method, variable kernel density estimate, ondelettes, apprentissage statistique, méthode combinatoire, Estimation non paramétrique, dynamical system, shatter coefficient, statistical learning, modified histogram, système dynamique, coefficient de pulvérisation, estimateur à noyau variable, curve classification, classification de courbe, histogramme modifié, wavelets, [MATH]Mathematics [math], Nonparametric estimation
Abstract

The goal of this thesis is to study and develop methods for density estimation and curve classification in higher dimensions. This study is structured into three parts.The first part, entitled complements on modified histograms, is organized in two chapters and is devoted to the study of a family of nonparametric density estimates, namely modified histograms. These estimates are known to have good consistency properties according to information theoretic criteria. In the first chapter, these estimates are viewed as dynamical systems with infinite dimensional state space. The second chapter deals with the study of these estimates for dimensions greater than one.The second part of this thesis, entitled combinatorial methods in density estimation, is divided into two chapters. We are interested in nonasymptotic error bounds for density estimates selected within a family of candidates (not necessary finite). In the first chapter, we study the performance of these methods in selecting the free parameters of the modified histograms. We continue, in the second chapter, with the selection of kernel density estimates using bandwidths which vary with the location and the data.The third and last part, more applied and independent of the preceding ones, provides a new method which allows us to classify curves by expanding the sample data on a wavelet basis.; L'objectif de cette thèse consiste étudier et approfondir des techniques d'estimation de la densité et de classification dans des espaces de dimension élevée. Nous avons choisi de structurer notre travail en trois parties.La première partie, intitulée compléments sur les histogrammes modifiés, est composée de deux chapitres consacrés l'étude d'une famille d'estimateurs non paramétriques de la densité, les histogrammes modifiés, connus pour posséder de bonnes propriétés de convergence au sens des critères de la théorie de l'information. Dans le premier chapitre, ces estimateurs sont envisagés comme des systèmes dynamiques espace d'états de dimension infinie. Le second chapitre est consacré l'étude de ces estimateurs pour des dimensions suprieures un.La deuxième partie de la thèse, intituleé méthodes combinatoires en estimation de la densité, se divise en deux chapitres. Nous nous intéressons dans cette partie aux performances distance finie d'estimateurs de la densité sélectionnés à l'intérieur d'une famille d'estimateurs candidats, dont le cardinal n'est pas nécessairement fini. Dans le premier chapitre, nous étudions les performances de ces méthodes dans le cadre de la sélection des différents paramètres des histogrammes modifiés. Nous poursuivons, dans le deuxième chapitre, par la sélection d'estimateurs à noyau dont le paramètre de lissage s'adapte localement au point d'estimation et aux données.Enfin, la troisième et dernière partie, plus appliquée et indépendante des précédentes, présente une nouvelle méthode permettant de classer des courbes partir d'une décomposition des observations dans des bases d'ondelettes.

Published
2005

20. SYSIPHE, airborne hyperspectral system: Focus on the SIELETERS thermal hyperspectral imaging instrument

Author

Rousset-Rouviere, Laurent, primary, Coudrain, Christophe, additional, Thetas, Sophie, additional, Primot, Jerome, additional, Ferrec, Yann, additional, Henry, Didier, additional, Tauvy, Michel, additional, Bernhardt, Sylvie, additional, Domel, Roland, additional, Perrault, Philippe, additional, Gouyon, Remi, additional, Kattnig, Alain, additional, Caes, Marcel, additional, Jacquart, Marc, additional, le Coadou, Gilles, additional, Guerineau, Nicolas, additional, and Briottet, Xavier, additional

Published
2013
Full Text
View/download PDF

21. SYSIPHE: the new-generation airborne remote sensing system

Author

Rousset-Rouviere, Laurent, primary, Coudrain, Christophe., additional, Fabre, Sophie, additional, Guérineau, Nicolas, additional, Bruyant, Jean-Paul, additional, Baarstad, Ivar, additional, Løke, Trond, additional, Fridman, Andrei, additional, and Blaaberg, Søren, additional

Published
2012
Full Text
View/download PDF

25. Preparation tool for optimal observations with NAOS-CONICA

Author

Mouillet, David, primary, Marteau, Stephane, additional, Zins, Gerard, additional, Conan, Jean-Marc, additional, Gendron, Eric, additional, Rousset-Rouviere, Laurent, additional, Beuzit, Jean-Luc, additional, Lagrange, Anne-Marie, additional, Moutou, Claire, additional, and Rousset, Gerard, additional

Published
2003
Full Text
View/download PDF

31. NAOS computer-aided control: an optimized and astronomer-oriented way of controlling large adaptive optics systems

Author

Zins, Gerard, primary, Lacombe, Francois, additional, Knudstrup, Jens, additional, Mouillet, David, additional, Rabaud, Didier, additional, Marteau, Stephane, additional, Rousset-Rouviere, Laurent, additional, Rondeaux, Olivier, additional, Charton, Julien, additional, Lefort, Bertrand, additional, Rousset, Gerard, additional, and Hubin, Norbert N., additional

Published
2000
Full Text
View/download PDF

Catalog

Books, media, physical & digital resources
See catalog results