Dimension reductio via Sliced Inverse Regression : ideas and extensions

Alessandro Chiancone 1, 2
2 MISTIS - Modelling and Inference of Complex and Structured Stochastic Systems
Inria Grenoble - Rhône-Alpes, LJK - Laboratoire Jean Kuntzmann, INPG - Institut National Polytechnique de Grenoble
Résumé : Cette thèse propose trois extensions de la Régression linéaire par tranches (Sliced Inverse Regression, SIR), notamment Collaborative SIR, Student SIR et Knockoff SIR.Une des faiblesses de la méthode SIR est l’impossibilité de vérifier si la Linearity Design Condition (LDC) est respectée. Il est établi que, si x suit une distribution elliptique, la condition est vraie ; dans le cas d’une composition de distributions elliptiques il n y a aucune garantie que la condition soit vérifiée globalement, pourtant, elle est respectée localement.On va donc proposer une extension sur la base de cette considération. Étant donné une variable explicative x, Collaborative SIR réalise d’abord un clustering. Pour chaque cluster, la méthode SIR est appliquée de manière indépendante.Le résultat de chaque composant contribue à créer la solution finale.Le deuxième papier, Student SIR, dérive de la nécessité de robustifier la méthode SIR.Vu que cette dernière repose sur l’estimation de la covariance et contient une étape APC, alors elle est sensible au bruit.Afin d’étendre la méthode SIR on a utilisé une stratégie fondée sur une formulation inverse du SIR, proposée par R.D. Cook.Finalement, Knockoff SIR est une extension de la méthode SIR pour la sélection des variables et la recherche d’une solution sparse, ayant son fondement dans le papier publié par R.F. Barber et E.J. Candès qui met l’accent sur le false discovery rate dans le cadre de la régression. L’idée sous-jacente à notre papier est de créer des copies de variables d’origine ayant certaines proprietés.On va montrer que la méthode SIR est robuste par rapport aux copies et on va proposer une stratégie pour utiliser les résultats dans la sélection des variables et pour générer des solutions sparse
Type de document :
Thèse
Complex Variables [math.CV]. Université Grenoble Alpes, 2016. English. 〈NNT : 2016GREAM051〉
Liste complète des métadonnées

Littérature citée [125 références]  Voir  Masquer  Télécharger

https://tel.archives-ouvertes.fr/tel-01679704
Contributeur : Abes Star <>
Soumis le : mercredi 10 janvier 2018 - 10:46:11
Dernière modification le : samedi 29 septembre 2018 - 01:17:13

Fichier

CHIANCONE_2016_archivage.pdf
Version validée par le jury (STAR)

Identifiants

  • HAL Id : tel-01679704, version 1

Citation

Alessandro Chiancone. Dimension reductio via Sliced Inverse Regression : ideas and extensions. Complex Variables [math.CV]. Université Grenoble Alpes, 2016. English. 〈NNT : 2016GREAM051〉. 〈tel-01679704〉

Partager

Métriques

Consultations de la notice

335

Téléchargements de fichiers

85