Accueil/ expose
Diviser-pour-Régner & Inférence Statistique pour Big Data
mardi 02 octobre 2012

Loading the player ...
Descriptif

Michael I. Jordan vous présente ici quelques résultats récents dans le domaine d'inférence pour "Big Data".

Diviser-pour-régner est un outil essentiel du point de vue computationel pour aborder des problèmes de traitement de données à grande échelle, surtout vu la croissance récente de systèmes distribués, mais ce paradigme présente des difficultés lorsqu'il s'agit d'inférence statistique. Considérons, par exemple, le problème fondamental d'obtenir des intervalles de confiance pour les estimateurs. Le principe du "bootstrap" suggère d'échantilloner les données à plusieurs reprises pour obtenir des fluctuations et donc des intervalles de confiance, mais ceci est infaisable à grande échelle. Si on fait appel à des sous-échantillons, on obtient des fluctuations qui ne sont pas à l'échelle correcte. Nous présentons une approche nouvelle, la "bag of little bootstraps", qui circonvient ce problème et qui peut être appliquée à des données à grande échelle. Nous parlerons aussi du problème de complétion de matrice à grande échelle, où l'approche de diviser-pour-régner est un outil pratique mais qui soulève des problèmes théoriques. Le soutien théorique est fournit par des théorèmes de concentration de matrices aléatoires, et à ce propos le département informatique présente une approche nouvelle à la concentration de matrices aléatoires basée sur la méthode de Stein.

[En collaboration avec Ariel Kleiner, Lester Mackey, Purna Sarkar, Ameet Talwalkar, Richard Chen, Brendan Farrell et Joel Tropp].

 

Voir aussi


  • Aucun exposé du même auteur.
  • Recent Progress in Leakage-Resilient Cry...
    Yevgeniy Dodis
  • Composer le temps
    Gérard Berry
  • Approximation Bounds for Sparse Principa...
    Alexandre D’Aspremont
  • Logarithmes discrets dans les corps fini...
    Antoine Joux
  • Une théorie de l'information mentale
    Claude Berrou
  • Exponential Mechanism for Social Welfar...
    Sampath Kannan
  • Untangling knots using combinatorial opt...
    Benjamin Burton
  • De la convexité tropicale aux jeux répé...
    Stéphane Gaubert
  • A Foundation for Flow-Based Program Matc...
    Julia Lawall
  • Comment faire confiance à un compilateu...
    Xavier Leroy
  • Construction à large couverture de la re...
    Benoît Crabbé
  • Définir et mesurer la complexité : la t...
    Jean-Paul Delahaye
  • Rendre la virgule flottante plus rigoure...
    Jean-Michel Muller
  • Approximations for stochastic graph rewr...
    Vincent Danos
  • Social Networks : a research vision and ...
    Peter Marbach
  • Three discrete geometric structures and ...
    Nabil Mustafa
  • From spanners to distance oracles and co...
    Laurent Viennot
  • Cognitive Computing
    Jérôme Pesenti
  • Vers les nouvelles bases de données pers...
    Serge Abiteboul
  • Structured Parallel Programming Primitiv...
    Vivek Sarkar
  • Manipuler les réseaux euclidiens
    Damien Sthelé
  • Réduction de modèles de voies de signali...
    Jérôme Feret
  • Le patient numérique personnalisé
    Nicholas Ayache
  • Scade 6: conception d'un langage de prog...
    Bruno Pagano
  • Co-Adaptive Instruments. Can we reinven...
    Wendy Mackay
  • Analyse de pire temps d’exécution et pro...
    Pascal Raymond
  • Chiffrer mieux pour (dé)chiffrer plus
    Anne Canteaut
  • New Results at the Crossroads of Convexi...
    Sébastien Bubeck
Auteur(s)
Michael I. Jordan
University of California, Berkeley
Professeur

Plus sur cet auteur
Voir la fiche de l'auteur

Cursus :

Michael I. Jordan est un éminent professeur (Pehong Chen Distinguished Professor) du département Electrotechnique et Informatique et du département Statistiques à l'Université de Berkeley, Californie. Ces dernières années, il a fait de nombreuses recherches sur l'analyse bayésienne non paramétrique, les modèles graphiques probabilistes, les méthodes spectrales, la génétique statistique, la bioinformatique et le traitement du langage naturel. M.I. Jordan est membre de l'Académie Nationale des Sciences, l'Académie Nationale d'Ingénierie, l'Académie américaine des Arts et des Sciences, et de l'Association américaine pour l'avancement de la science.

Cliquer ICI pour fermer
Annexes
Téléchargements :
   - Télécharger l'audio (mp3)

Dernière mise à jour : 24/03/2014