Theoretical performance analysis applied to non-convex and fair algorithms using Random Matrix Theory
Analyse de performance théorique d'algorithmes non-convexe et juste avec la théorie des matrices aléatoires
Abstract
In this thesis, we study theoretically the performance of well-known Machine Learning algorithms (t-SNE and LS-SVM). For the first algorithm, we study an asymptotic characterization of the critical points of the optimization problem of the cousin of t-SNE, Symmetric SNE, in a large-dimensional setting. For the second algorithm, we study theoretically the behavior of LS-SVM when adding fairness constraints aiming at making the algorithm more fair.
J'ai travaillé sur l'analyse de performance théorique d'algorithmes de machine learning bien établies dans la communauté (t-SNE et LS-SVM). Dans le premier cas nous nous intéressons à une caractérisation asymptotique des points critiques du problème d'optimisation de t-SNE (ou plutôt sous cousin Symmetric SNE) dans le cadre de statitistique en grande dimension, et dans le deuxième cas, nous nous intéressons théoriquement au comportement du LS-SVM en ajoutant des contraintes d'équité (de fairness en anglais) visant à rendre l'algorithme plus juste.
| Origin | Version validated by the jury (STAR) |
|---|---|
| Licence |