Performances optimales pour les données multimodales partiellement couplées

Résumé : Deux modèles d'observation sont dits " couplés " si une partie non vide des paramètres d'intérêt est reliée par une équation implicite différentiable. Dans ce contexte, plusieurs stratégies d'estimation sont possibles: soit un processus d'estimation jointe dans lequel les données issues de ces deux modèles sont fusionnées, soit un processus d'estimation individuelle où les paramètres d'intérêt sont estimés à partir de leur modèle d'observation respectif. Dans ce papier, nous montrons à travers une analyse de bornes que l'estimation optimale jointe est plus précise qu'une estimation individuelle en termes d'erreur quadratique moyenne. Cette propriété est également vraie pour les paramètres qui ne sont pas directement reliés. Enfin, ce résultat est illustré à travers un problème de décompositions tensorielles couplées.
Type de document :
Communication dans un congrès
XXVIème colloque GRETSI (GRETSI 2017), Sep 2017, Juan-Les-Pins, France. 2017 - GRETSI - Actes de Colloque, 2017, 〈www.gretsi.fr〉
Liste complète des métadonnées

Littérature citée [19 références]  Voir  Masquer  Télécharger

https://hal.archives-ouvertes.fr/hal-01567124
Contributeur : Pierre Comon <>
Soumis le : vendredi 21 juillet 2017 - 17:33:36
Dernière modification le : vendredi 9 novembre 2018 - 13:38:02

Fichier

ren52.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-01567124, version 1

Citation

Chengfang Ren, Rodrigo Cabral Farias, Pierre-Olivier Amblard, Pierre Comon. Performances optimales pour les données multimodales partiellement couplées. XXVIème colloque GRETSI (GRETSI 2017), Sep 2017, Juan-Les-Pins, France. 2017 - GRETSI - Actes de Colloque, 2017, 〈www.gretsi.fr〉. 〈hal-01567124〉

Partager

Métriques

Consultations de la notice

356

Téléchargements de fichiers

62