Une fonction de base radiale est une fonction à valeurs réelles dont la valeur ne dépend que de la distance séparant son paramètre d'entrée à un autre point donné, communément appelé origine ou centre de la fonction. Toute fonction qui vérifie l'égalité est une fonction de base radiale. La norme utilisée correspond à la distance euclidienne, d'autres métriques peuvent cependant être utilisées.
Au cours des dernières décennies, plusieurs méthodes d'approximation et d'interpolation basées sur les fonctions de base radiale ont trouvé leurs utilités dans un large éventail d'applications des sciences de l'ingénieur, allant de l'apprentissage automatique à la résolution numérique des équations différentielles aux dérivées partielles.
Une fonction est dite radiale s'il existe une fonction telle que: avec et une norme définie sur - généralement la norme euclidienne. De plus, une fonction radiale est toujours symétrique par rapport à son centre (ou origine), en d'autres termes, avec . Une fonction radiale centrée en un point s'écrit donc sous la forme .
vignette|250x250px|Gaussienne pour différents choix de
vignette|250x250px|Multiquadratique pour différents choix de
En posant et le paramètre de forme qui a une influence sur la forme que prend la courbe de la fonction, il existe plusieurs fonctions de base radiale connues à ce jour, les plus courantes sont :
Gaussienne :
Multiquadratique :
Multiquadratique inverse :
Quadratique inverse :
Spline polyharmonique :
Spline en plaque mince
Fonction à support compact
Cette famille de fonctions sont non nulles uniquement dans un rayon de 1/ϵ autour de l'origine
Fonction test :
Une petite valeur du paramètre fait que la fonction devienne plate. En revanche, une grande valeur du paramètre se traduit par une forme plus pointue de la courbe. De plus, ces fonctions sont de classe , donc indéfiniment différentiables et définies positives.
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Machine learning and data analysis are becoming increasingly central in sciences including physics. In this course, fundamental principles and methods of machine learning will be introduced and practi
Couvre les fondamentaux des réseaux neuronaux, en mettant l'accent sur les noyaux RBF et SVM.
Explore les modèles générateurs profonds, y compris les mélanges de multinômes, PCA, autoencodeurs profonds, autoencodeurs convolutionnels, et GANs.
Explore la modélisation d'espaces d'entrée continus dans l'apprentissage par renforcement à l'aide de réseaux de neurones et de fonctions de base radiales.
The choice of the shape parameter highly effects the behaviour of radial basis function (RBF) approximations, as it needs to be selected to balance between the ill-conditioning of the interpolation matrix and high accuracy. In this paper, we demonstrate ho ...
Deep learning has achieved remarkable success in various challenging tasks such as generating images from natural language or engaging in lengthy conversations with humans.The success in practice stems from the ability to successfully train massive neural ...
EPFL2023
, , ,
This work develops new algorithms with rigorous efficiency guarantees for infinite horizon imitation learning (IL) with linear function approximation without restrictive coherence assumptions. We begin with the minimax formulation of the problem and then o ...