skip to content
Modèles graphiques gaussiens et sélection de modèles Preview this item
ClosePreview this item
Checking...

Modèles graphiques gaussiens et sélection de modèles

Author: Nicolas Verzelen; Pascal Massart; Université de Paris-Sud. Faculté des Sciences d'Orsay (Essonne).
Publisher: [s.l.] : [s.n.], 2008.
Dissertation: Thèse de doctorat : Discipline : Paris 11 : 2008.
Edition/Format:   Thesis/dissertation : Thesis/dissertation : French
Database:WorldCat
Summary:
Cette thèse s'inscrit dans les domaines de la statistique non-paramétrique, de la théorie statistique de l'apprentissage et des statistiques spatiales. Son objet est la compréhension et la mise en oeuvre de méthodes d'estimation et de décision pour des modèles graphiques gaussiens. Ces outils probabilistes rencontrent un succès grandissant pour la modélisation de systêmes complexes dans des domaines aussi
Rating:

(not yet rated) 0 with reviews - Be the first.

Subjects
More like this

 

Find a copy in the library

&AllPage.SpinnerRetrieving; Finding libraries that hold this item...

Details

Material Type: Thesis/dissertation
Document Type: Book
All Authors / Contributors: Nicolas Verzelen; Pascal Massart; Université de Paris-Sud. Faculté des Sciences d'Orsay (Essonne).
OCLC Number: 495252162
Notes: Thèse soutenue en co-tutelle.
Thèse rédigée entièrement en anglais.
Description: 1 vol. (233 p.) : ill. en noir et en coul. ; 30 cm.
Responsibility: Nicolas Verzelen ; [sous la direction de] Pascal Massart.

Abstract:

Cette thèse s'inscrit dans les domaines de la statistique non-paramétrique, de la théorie statistique de l'apprentissage et des statistiques spatiales. Son objet est la compréhension et la mise en oeuvre de méthodes d'estimation et de décision pour des modèles graphiques gaussiens. Ces outils probabilistes rencontrent un succès grandissant pour la modélisation de systêmes complexes dans des domaines aussi différents que la génomique ou l'analyse spatiale. L'inflation récente de la taille des données analysées rend maintenant nécessaire la construction de procédures statistiques valables en grande dimension, c'est à dire lorsque le nombre de variables est potentiellement plus grand que le nombre d'observations. Trois problèmes généraux sont considérés dans cette thèse: le test d'adéquation d'un graphe à un modèle graphique gaussien, l'estimation du graphe d'un modèle graphique gaussien et l'estimation de la covariance d'un modèle graphique gaussien, ou plus généralement d'un vecteur gaussien. Suite à cela, nous étudions l'estimation de la covariance d'un champ gaussien stationnaire sur un réseau, sous l'angle de la modélisation graphique. En utilisant le lien entre modèles graphiques et régression linéaire à plan d'expérience gaussien, nous développons une approche basée sur des techniques de sélection de modèles. Les procédures ainsi introduites sont analysés d'un point de vue non-asymptotique. Nous prouvons notamment des inégalités oracles et des propriétés d'adaptation au sens minimax valables en grande dimension. Les performances pratiques des méthodes statistiques sont illustrées sur des données simulées ainsi que sur des données réelles.

This work is linked to the theories of non-parametric statistics, statistical learning, and spatial statistics. Its goal is to provide and study statistical procedures for Gaussian graphical models. Graphical models have emerged as useful tools for modelling complex systems in many fields such as genomics or spatial analysis. The recent availability of a huge amount of data challenges us with new issues: the number of variables under study is possibly much larger than the sample size. This motivates the search for methods that remain valid in a high-dimensional setting. In this setting, three main issues are considered: the goodness of fit test of the graph of a Gaussian graphical model, the graph estimation of a Gaussian graphical model, and the covariance estimation of a Gaussian graphical model or more generally of a Gaussian vector. Furthermore, we use graphical models to study the covariance estimation of a stationary Gaussian field on a lattice. Our approach is based on the connection between Gaussian graphical model and linear regression with Gaussian design. This connection motivates the use of model selection techniques by penalization. The procedures introduced to analyze each of the four previous issues satisfy non-asymptotic oracle inequalities and are adaptive in the minimax sense. All these results still hold in a high-dimensional setting. The practical efficiency of the procedures is assessed on simulated and real-world data.

Reviews

User-contributed reviews
Retrieving GoodReads reviews...
Retrieving DOGObooks reviews...

Tags

Be the first.
Confirm this request

You may have already requested this item. Please select Ok if you would like to proceed with this request anyway.

Linked Data


<http://www.worldcat.org/oclc/495252162>
bgn:inSupportOf"Thèse de doctorat : Discipline : Paris 11 : 2008."
library:oclcnum"495252162"
library:placeOfPublication
library:placeOfPublication
rdf:typebgn:Thesis
rdf:typeschema:Book
rdf:valueUnknown value: deg
schema:about
schema:about
schema:about
schema:about
schema:about
schema:contributor
schema:contributor
<http://viaf.org/viaf/158347219>
rdf:typeschema:Organization
schema:name"Université de Paris-Sud. Faculté des Sciences d'Orsay (Essonne)."
schema:creator
schema:datePublished"2008"
schema:description"Cette thèse s'inscrit dans les domaines de la statistique non-paramétrique, de la théorie statistique de l'apprentissage et des statistiques spatiales. Son objet est la compréhension et la mise en oeuvre de méthodes d'estimation et de décision pour des modèles graphiques gaussiens. Ces outils probabilistes rencontrent un succès grandissant pour la modélisation de systêmes complexes dans des domaines aussi différents que la génomique ou l'analyse spatiale. L'inflation récente de la taille des données analysées rend maintenant nécessaire la construction de procédures statistiques valables en grande dimension, c'est à dire lorsque le nombre de variables est potentiellement plus grand que le nombre d'observations. Trois problèmes généraux sont considérés dans cette thèse: le test d'adéquation d'un graphe à un modèle graphique gaussien, l'estimation du graphe d'un modèle graphique gaussien et l'estimation de la covariance d'un modèle graphique gaussien, ou plus généralement d'un vecteur gaussien. Suite à cela, nous étudions l'estimation de la covariance d'un champ gaussien stationnaire sur un réseau, sous l'angle de la modélisation graphique. En utilisant le lien entre modèles graphiques et régression linéaire à plan d'expérience gaussien, nous développons une approche basée sur des techniques de sélection de modèles. Les procédures ainsi introduites sont analysés d'un point de vue non-asymptotique. Nous prouvons notamment des inégalités oracles et des propriétés d'adaptation au sens minimax valables en grande dimension. Les performances pratiques des méthodes statistiques sont illustrées sur des données simulées ainsi que sur des données réelles."@fr
schema:description"This work is linked to the theories of non-parametric statistics, statistical learning, and spatial statistics. Its goal is to provide and study statistical procedures for Gaussian graphical models. Graphical models have emerged as useful tools for modelling complex systems in many fields such as genomics or spatial analysis. The recent availability of a huge amount of data challenges us with new issues: the number of variables under study is possibly much larger than the sample size. This motivates the search for methods that remain valid in a high-dimensional setting. In this setting, three main issues are considered: the goodness of fit test of the graph of a Gaussian graphical model, the graph estimation of a Gaussian graphical model, and the covariance estimation of a Gaussian graphical model or more generally of a Gaussian vector. Furthermore, we use graphical models to study the covariance estimation of a stationary Gaussian field on a lattice. Our approach is based on the connection between Gaussian graphical model and linear regression with Gaussian design. This connection motivates the use of model selection techniques by penalization. The procedures introduced to analyze each of the four previous issues satisfy non-asymptotic oracle inequalities and are adaptive in the minimax sense. All these results still hold in a high-dimensional setting. The practical efficiency of the procedures is assessed on simulated and real-world data."@fr
schema:exampleOfWork<http://worldcat.org/entity/work/id/369312931>
schema:inLanguage"fr"
schema:name"Modèles graphiques gaussiens et sélection de modèles"@fr
schema:publication
schema:publisher
wdrs:describedby

Content-negotiable representations

Close Window

Please sign in to WorldCat 

Don't have an account? You can easily create a free account.