Séminaire
Nom intervenant
Gloria Buritica Borda
Résumé
Principe d'extrapolation pour la généralisation du domaine d'apprentissage.
Résumé :
Dans de nombreuses applications en sciences du climat, l'objectif est de prédire l'impact futur des indicateurs climatiques. Même si les relations entre les variables du climat suivent des lois physiques inaltérables, le climat à long terme est sensible aux changements de distribution, tels que les augmentations de température. Dans de tels cas, il est essentiel de s'appuyer sur des méthodes de régression adaptées à l'ensemble du domaine des covariables. La généralisation du domaine est également importante pour fournir des prévisions précises sous des conditions météorologiques extrêmes. Les méthodes d'apprentissage automatique sont courantes parmi les stratégies de régression car elles imposent des hypothèses mineures au modèle. Cependant, elles ne sont fiables que si les points de test sont bien représentés dans les données d'apprentissage. Sur la base de la théorie des valeurs extrêmes, nous proposons un principe d'extrapolation pour approximer la médiane conditionnelle dans les régions extrêmes de la distribution d'apprentissage. Nous appliquons notre principe d'extrapolation couplé à des algorithmes basés sur des arbres à des données simulées et réelles et nous montrons que, comparé aux méthodes classiques d'apprentissage automatique, notre principe d'extrapolation améliore l'erreur de prédiction dans les régions extrêmes de la distribution d'apprentissage.
Cet exposé est basé sur un travail joint avec S. Engelke
Lieu
Amphi A0.04
Date du jour
Date de fin du Workshop