Approches de la programmation DC et DCA en data mining : modélisation parcimonieuse de données.
Nous abordons dans cette thèse les approches de la Programmation DC et DCAen Data Mining (fouille de données). Plus particulièrement, nous nous intéressons aux problèmes de parcimonie en modélisation parcimonieuse de données. Le travail porte sur des recherches théoriques et algorithmiques et la pri...
Main Author: | |
---|---|
Other Authors: | |
Language: | fr |
Published: |
2011
|
Subjects: | |
Online Access: | http://www.theses.fr/2011ISAM0015/document |
id |
ndltd-theses.fr-2011ISAM0015 |
---|---|
record_format |
oai_dc |
spelling |
ndltd-theses.fr-2011ISAM00152019-11-30T05:26:13Z Approches de la programmation DC et DCA en data mining : modélisation parcimonieuse de données. DC programming approaches and DCA in Data Mining : sparse modelling Modélisation parcimonieuse Optimisation Optimisation non convexe Programmation DC DCA (DC algorithms) Sparse modelling Optimization DC Programming DCA (DC algorithms) Nous abordons dans cette thèse les approches de la Programmation DC et DCAen Data Mining (fouille de données). Plus particulièrement, nous nous intéressons aux problèmes de parcimonie en modélisation parcimonieuse de données. Le travail porte sur des recherches théoriques et algorithmiques et la principale approche utilisée est la programmation DC et DCA.Nous avons établi des propriétés intéressantes, des reformulations DC, voire quadratiques,équivalentes pour ces problèmes grâce à de nouvelles techniques de pénalité exacte développées durant cette thèse. Ces résultats donnent une nouvelle facette et une nouvelle manière de voir ces problèmes de parcimonie afin de permettre une meilleure compréhension et prise en main de ces problèmes. Ces nouvelles techniques ont été appliquées dans le cadre de la modélisation parcimonieuse pour le problème de la valeur propre maximale et dans le cadre de la modélisation parcimonieuse dans les modèles de régression linéaire.La structure simple des reformulations obtenues se prête bien à la programmation DC et DCA pour la résolution. Les simulations numériques, obtenues avec DCA et un algorithme combiné DCA et la procédure Séparation et Evaluation pour l’optimisation globale, sont très intéressantes et très prometteuses et illustrent bien le potentiel de cette nouvelle approche. In this thesis, we investigate the DC Programming and DCA approaches in DataMining. More precisely, we are interested in the sparse approximation problems in sparse modelling. The work focuses on theoretical and algorithmic studies, mainly based on DC Programming and DCA. We established interesting properties concerning DC and quadratic reformulations for these problems with the help of new exact penalty techniques in DC programming. These results give new insights on these sparse approximation problems and so allow a better understanding and a better handling of these problems. These novel techniques were applied in both contexts of sparse eigenvalue problem and sparse approximation in linear models.The simple and nice structure of the obtained reformulations are suitably adapted to DC programming and DCA. Computational experiments are very interesting and promising, illustrating the potential of the novel approach. Electronic Thesis or Dissertation Text fr http://www.theses.fr/2011ISAM0015/document Thiao, Mamadou 2011-10-28 Rouen, INSA Pham Dinh, Tao |
collection |
NDLTD |
language |
fr |
sources |
NDLTD |
topic |
Modélisation parcimonieuse Optimisation Optimisation non convexe Programmation DC DCA (DC algorithms) Sparse modelling Optimization DC Programming DCA (DC algorithms) |
spellingShingle |
Modélisation parcimonieuse Optimisation Optimisation non convexe Programmation DC DCA (DC algorithms) Sparse modelling Optimization DC Programming DCA (DC algorithms) Thiao, Mamadou Approches de la programmation DC et DCA en data mining : modélisation parcimonieuse de données. |
description |
Nous abordons dans cette thèse les approches de la Programmation DC et DCAen Data Mining (fouille de données). Plus particulièrement, nous nous intéressons aux problèmes de parcimonie en modélisation parcimonieuse de données. Le travail porte sur des recherches théoriques et algorithmiques et la principale approche utilisée est la programmation DC et DCA.Nous avons établi des propriétés intéressantes, des reformulations DC, voire quadratiques,équivalentes pour ces problèmes grâce à de nouvelles techniques de pénalité exacte développées durant cette thèse. Ces résultats donnent une nouvelle facette et une nouvelle manière de voir ces problèmes de parcimonie afin de permettre une meilleure compréhension et prise en main de ces problèmes. Ces nouvelles techniques ont été appliquées dans le cadre de la modélisation parcimonieuse pour le problème de la valeur propre maximale et dans le cadre de la modélisation parcimonieuse dans les modèles de régression linéaire.La structure simple des reformulations obtenues se prête bien à la programmation DC et DCA pour la résolution. Les simulations numériques, obtenues avec DCA et un algorithme combiné DCA et la procédure Séparation et Evaluation pour l’optimisation globale, sont très intéressantes et très prometteuses et illustrent bien le potentiel de cette nouvelle approche. === In this thesis, we investigate the DC Programming and DCA approaches in DataMining. More precisely, we are interested in the sparse approximation problems in sparse modelling. The work focuses on theoretical and algorithmic studies, mainly based on DC Programming and DCA. We established interesting properties concerning DC and quadratic reformulations for these problems with the help of new exact penalty techniques in DC programming. These results give new insights on these sparse approximation problems and so allow a better understanding and a better handling of these problems. These novel techniques were applied in both contexts of sparse eigenvalue problem and sparse approximation in linear models.The simple and nice structure of the obtained reformulations are suitably adapted to DC programming and DCA. Computational experiments are very interesting and promising, illustrating the potential of the novel approach. |
author2 |
Rouen, INSA |
author_facet |
Rouen, INSA Thiao, Mamadou |
author |
Thiao, Mamadou |
author_sort |
Thiao, Mamadou |
title |
Approches de la programmation DC et DCA en data mining : modélisation parcimonieuse de données. |
title_short |
Approches de la programmation DC et DCA en data mining : modélisation parcimonieuse de données. |
title_full |
Approches de la programmation DC et DCA en data mining : modélisation parcimonieuse de données. |
title_fullStr |
Approches de la programmation DC et DCA en data mining : modélisation parcimonieuse de données. |
title_full_unstemmed |
Approches de la programmation DC et DCA en data mining : modélisation parcimonieuse de données. |
title_sort |
approches de la programmation dc et dca en data mining : modélisation parcimonieuse de données. |
publishDate |
2011 |
url |
http://www.theses.fr/2011ISAM0015/document |
work_keys_str_mv |
AT thiaomamadou approchesdelaprogrammationdcetdcaendataminingmodelisationparcimonieusededonnees AT thiaomamadou dcprogrammingapproachesanddcaindataminingsparsemodelling |
_version_ |
1719299972282712064 |