Un résultat de consistance pour des SVM fonctionnels par interpolation spline

Nathalie Villa; Fabrice Rossi

doi:10.1016/j.crma.2006.09.025

Statistique

Un résultat de consistance pour des SVM fonctionnels par interpolation spline
[A consistency result for functional SVM by spline interpolation]

Presented by: Paul Deheuvels

Nathalie Villa ¹; Fabrice Rossi ²

¹ Équipe GRIMM, université Toulouse Le Mirail, 5, allées Antonio-Machado, 31058 Toulouse cedex 9, France
² Projet AxIS, INRIA-Rocquencourt, domaine de Voluceau, Rocquencourt, BP 105, 78153 Le Chesnay cedex, France

Comptes Rendus. Mathématique, Volume 343 (2006) no. 8, pp. 555-560.

Abstract
Résumé

This Note proposes a new methodology for function classification with Support Vector Machine (SVM). Rather than relying on projection on a truncated Hilbert basis as in our previous work, we use an implicit spline interpolation that allows us to compute SVM on the derivatives of the studied functions. To that end, we propose a kernel defined directly on the discretizations of the observed functions. We show that this method is universally consistent.

Nous proposons dans cette Note une nouvelle méthode de discrimination de données fonctionnelles par Support Vector Machine (SVM). Dans nos travaux antérieurs, nous nous appuyions sur une projection sur une base hilbertienne tronquée ; nous proposons ici d'utiliser une interpolation spline implicite, afin de pouvoir construire un SVM sur les dérivées des fonctions initiales. Pour cela, nous construisons un noyau qui s'applique directement sur les discrétisations des observations. Nous montrons la consistance universelle d'une telle approche.

Received: 2006-04-15
Accepted: 2006-09-26
Published online: 2006-10-15

DOI: 10.1016/j.crma.2006.09.025

Author's affiliations:

Nathalie Villa ¹; Fabrice Rossi ²

¹ Équipe GRIMM, université Toulouse Le Mirail, 5, allées Antonio-Machado, 31058 Toulouse cedex 9, France
² Projet AxIS, INRIA-Rocquencourt, domaine de Voluceau, Rocquencourt, BP 105, 78153 Le Chesnay cedex, France

@article{CRMATH_2006__343_8_555_0,
     author = {Nathalie Villa and Fabrice Rossi},
     title = {Un r\'esultat de consistance pour des {SVM} fonctionnels par interpolation spline},
     journal = {Comptes Rendus. Math\'ematique},
     pages = {555--560},
     publisher = {Elsevier},
     volume = {343},
     number = {8},
     year = {2006},
     doi = {10.1016/j.crma.2006.09.025},
     language = {fr},
}

TY  - JOUR
AU  - Nathalie Villa
AU  - Fabrice Rossi
TI  - Un résultat de consistance pour des SVM fonctionnels par interpolation spline
JO  - Comptes Rendus. Mathématique
PY  - 2006
SP  - 555
EP  - 560
VL  - 343
IS  - 8
PB  - Elsevier
DO  - 10.1016/j.crma.2006.09.025
LA  - fr
ID  - CRMATH_2006__343_8_555_0
ER  -

%0 Journal Article
%A Nathalie Villa
%A Fabrice Rossi
%T Un résultat de consistance pour des SVM fonctionnels par interpolation spline
%J Comptes Rendus. Mathématique
%D 2006
%P 555-560
%V 343
%N 8
%I Elsevier
%R 10.1016/j.crma.2006.09.025
%G fr
%F CRMATH_2006__343_8_555_0

Nathalie Villa; Fabrice Rossi. Un résultat de consistance pour des SVM fonctionnels par interpolation spline. Comptes Rendus. Mathématique, Volume 343 (2006) no. 8, pp. 555-560. doi : 10.1016/j.crma.2006.09.025. https://comptes-rendus.academie-sciences.fr/mathematique/articles/10.1016/j.crma.2006.09.025/

References
Cited by

[1] A. Berlinet; C. Thomas-Agnan Reproducing Kernel Hilbert Spaces in Probability and Statistics, Kluwer Academic Publisher, 2004

[2] P. Besse; J. Ramsay Principal component analysis of sampled curves, Psychometrica, Volume 51 (1986), pp. 285-311

[3] G. Biau; F. Bunea; M. Wegkamp Functional classification in Hilbert spaces, IEEE Transactions on Information Theory, Volume 51 (2005), pp. 2163-2172

[4] L. Devroye; L. Györfi; G. Lugosi A Probabilistic Theory for Pattern Recognition, Springer-Verlag, New York, 1996

[5] D. Pollard A User's Guide to Measure Theoretic Probability, Cambridge University Press, Cambridge, 2002

[6] F. Rossi; N. Villa Support vector machine for functional data classification, Neurocomputing, Volume 69 (2006) no. 7–9, pp. 730-742

[7] I. Steinwart On the influence of the kernel on the consistency of support vector machines, Journal of Machine Learning Research, Volume 2 (2001), pp. 67-93

[8] I. Steinwart Support vector machines are universally consistent, Journal of Complexity, Volume 18 (2002), pp. 768-791

[9] V. Vapnik Statistical Learning Theory, Wiley, New York, 1998

[10] N. Villa, F. Rossi, SVM fonctionnels par interpolation spline, in: Proceedings of 38ièmes Journées de Statistique, Clamart, France

Cited by Sources:

Comments - Policy