Orateur
Description
Ce travail porte sur l'amélioration de la résolution du problème Support Vectors Machine (SVM). Les SVMs sont très utilisés dans les tâches de machine-learning pour la classification de données. Mathématiquement cela se traduit par un problème d'optimisation à résoudre, i.e. cela revient à chercher un élément, appelé minimizer, qui minimise une fonction objectif. La résolution se fait à l'aide d'algorithmes itératifs dont le procédé est de construire une suite d'éléments qui converge vers ce minimizer.
Dans le cadre des big data, résoudre ce type de problème requiert une grosse quantité de ressources (énergétiques, temps de calcul, ...). C'est pourquoi la question de la réduction de ces coûts est légitime. La complexité d'un algorithme est cette unité de mesure qui permet de quantifier l'impact que peut avoir celui-ci. Ainsi réduire la complexité c'est réduire les coûts liés aux fonctionnement de l'algorithme.
Le travail que je propose de présenter s'inscrit donc dans cette philosophie de vouloir réduire la complexité de l'algorithme ; cela appliqué au problème des SVMs. Cela repose sur l'identification des vecteurs supports. L'idée est alors de présenter une façon d'exploiter la connaissance de certains vecteurs supports, et de présenter une méthodologie capable d'extraire cette information au cours de la résolution du problème.
| Thématiques | optimisation convexe, machine-learning, screening |
|---|---|
| Mes travaux sont plutôt de la statistique ... | Appliqué |