Les suites à discrépance faible : un moyen de réduire le nombre de vecteurs supports des svms ? In 12 ieme Journée Scientifique de l'Ecole Doctorale SPI : Apprentissage statistique -Apprentissage symbolique. Annales scientifiques de l, 2008. ,
Les suites à dispersion faible comme bases d'exemples optimales en apprentissage, 2009. ,
Deterministic Design for Neural Network Learning: An Approach Based on Discrepancy, Proceedings IEEE Transactions on Neural Network, pp.533-544, 2004. ,
DOI : 10.1109/TNN.2004.824413
A tutorial on support vector machines for pattern recognitionrandom number generation and quasi-monte carlo methods, Data Mining and Knowledge Discovery, pp.121-167, 1992. ,
Support vector machine for efficient subset simulations : smart method ,
Utiliser des « supports vector machines » pour apprendre un noyau de viabilité, MajecSTIC, 2005. ,
Random Number Generation and Quasi-Monte Carlo Methods, 1992. ,
DOI : 10.1137/1.9781611970081
Régressions par machines à vecteurs supports pour la prédiction de séries chaotiques ,
Etude de l'Apprentissage Actif, Application à la Conduite d'Expériences, Thèse de doctorat, 2005. ,
Discrepancy as a quality measure for advoiding classification bias, Proceedings of the 2002 IEEE International Symposium on Intelligent Control, 2002. ,
SVM Viability Controller Active Learning: Application to Bike Control, 2007 IEEE International Symposium on Approximate Dynamic Programming and Reinforcement Learning, 2007. ,
DOI : 10.1109/ADPRL.2007.368188
URL : https://hal.archives-ouvertes.fr/hal-00616856
Multidimensional Variation for Quasi-Monte Carlo, 2004. ,
DOI : 10.1142/9789812567765_0004
The Nature of Statistical Learning, 1995. ,
Quasi-Monte Carlo Integration, Journal of Computational Physics, vol.122, issue.2, pp.218-230, 1995. ,
DOI : 10.1006/jcph.1995.1209
URL : http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.56.1652