Une Analyse des Méthodes de Projections Aléatoires par la Théorie des Matrices Aléatoires

Résumé : Dans cet article, nous présentons nos résultats théoriques sur les méthodes de projections aléatoires pour les données de très grandes dimensions, exploitées notamment dans les réseaux de neurones aléatoires. En combinant les avancées récentes de la théorie des matrices aléatoires et l'outil de la concentration des mesures, nous étudions en particulier les performances asymptotiques des dites extreme learning machines, permettant ainsi une compréhension plus profonde de ce réseau de neurone aléatoire simple. Abstract-In this paper we present our theoretical findings on random feature maps or random projections for large dimensional data in large systems, classically found in different types of random neural networks. Combining recent advances in random matrix theory and the concentration of measure phenomenon, we provide a new framework on the theoretical analysis of random feature maps in large dimensional problems. As a concrete example, a study of the asymptotic performance of extreme learning machines is provided.
Complete list of metadatas

Cited literature [8 references]  Display  Hide  Download

https://hal.archives-ouvertes.fr/hal-01961878
Contributor : Zhenyu Liao <>
Submitted on : Thursday, December 20, 2018 - 11:34:55 AM
Last modification on : Thursday, February 7, 2019 - 3:36:17 PM
Long-term archiving on : Friday, March 22, 2019 - 12:22:58 PM

File

RMT4ELM-GRETSI.pdf
Files produced by the author(s)

Identifiers

  • HAL Id : hal-01961878, version 1

Citation

Zhenyu Liao, Romain Couillet. Une Analyse des Méthodes de Projections Aléatoires par la Théorie des Matrices Aléatoires. Colloque GRETSI’17, 2017, Juan Les Pins, France. ⟨hal-01961878⟩

Share

Metrics

Record views

24

Files downloads

32