Apprentissage de dictionnaire pour les représentations parcimonieuses

Rémi Gribonval 1 Rodolphe Jenatton 2, 3 Francis Bach 2, 4 Martin Kleinsteuber 5 Matthias Seibert 5
1 PANAMA - Parcimonie et Nouveaux Algorithmes pour le Signal et la Modélisation Audio
Inria Rennes – Bretagne Atlantique , IRISA-D5 - SIGNAUX ET IMAGES NUMÉRIQUES, ROBOTIQUE
2 SIERRA - Statistical Machine Learning and Parsimony
DI-ENS - Département d'informatique de l'École normale supérieure, ENS Paris - École normale supérieure - Paris, Inria Paris-Rocquencourt, CNRS - Centre National de la Recherche Scientifique : UMR8548
Résumé : La modélisation de données de grande dimension comme combinaisons linéaires parcimonieuses d'atomes d'un dictionnaire est devenu un outil très populaire en traitement du signal et de l'image. Etant donné l'importance du choix du dictionnaire pour le déploiement opérationnel de ces outils, des approches basées sur l'apprentissage à partir d'une collection ont connu un bel essor. Les techniques les plus populaires abordent le problème sous l'angle de la factorisation de grandes matrices via la minimisation d'une fonction de coût non-convexe. Si des progrès importants en terme d'efficacité algorithmique ont favorisé leur diffusion, ces approches restaient jusqu'à récemment essentiellement empiriques. Nous présenterons des travaux récents abordant les aspects statistiques de ces techniques et contribuant à caractériser l'excès de risque en fonction du nombre d'exemples disponibles. Les résultats couvrent non seulement l'apprentissage de dictionnaire pour les représentations parcimonieuses, mais également une classe sensiblement plus large de factorisations de matrices sous contraintes.
Type de document :
Communication dans un congrès
46e Journées de Statistique, Jun 2014, Rennes, France. 2014
Liste complète des métadonnées

Littérature citée [27 références]  Voir  Masquer  Télécharger

https://hal.inria.fr/hal-01054122
Contributeur : Rémi Gribonval <>
Soumis le : mardi 5 août 2014 - 10:02:50
Dernière modification le : vendredi 25 mai 2018 - 12:02:06
Document(s) archivé(s) le : mercredi 26 novembre 2014 - 00:21:11

Fichier

gribonval.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-01054122, version 1

Citation

Rémi Gribonval, Rodolphe Jenatton, Francis Bach, Martin Kleinsteuber, Matthias Seibert. Apprentissage de dictionnaire pour les représentations parcimonieuses. 46e Journées de Statistique, Jun 2014, Rennes, France. 2014. 〈hal-01054122〉

Partager

Métriques

Consultations de la notice

1720

Téléchargements de fichiers

498