Adaptive approximation of high-dimensional functions with tree tensor networks for Uncertainty Quantification

Adaptive approximation of high-dimensional functions with tree tensor networks for Uncertainty Quantification

Les problèmes de quantification d'incertitudes des modèles numériques nécessitent de nombreuses simulations, souvent très coûteuses (en temps de calcul et/ou en mémoire). C'est pourquoi il est essentiel de construire des modèles approchés qui sont moins coûteux à évaluer. En pratique, si l...

Full description

Saved in:
Bibliographic Details
Main Authors : Haberstich Cécile (Auteur), Nouy Anthony (Directeur de thèse, Membre du jury), Perrin Guillaume (Directeur de thèse, Membre du jury), Cohen Albert (Président du jury de soutenance, Membre du jury), Grasedyck Lars (Rapporteur de la thèse, Membre du jury), Nobile Fabio (Rapporteur de la thèse, Membre du jury), Ehrlacher Virginie (Membre du jury)
Corporate Authors : Centrale Nantes 1991-.... (Organisme de soutenance), École doctorale Mathématiques et sciences et technologies de l'information et de la communication Rennes (Ecole doctorale associée à la thèse), Laboratoire de Mathématiques Jean Leray Nantes (Laboratoire associé à la thèse)
Format : Thesis
Language : anglais
Title statement : Adaptive approximation of high-dimensional functions with tree tensor networks for Uncertainty Quantification / Cécile Haberstich; sous la direction de Anthony Nouy et de Guillaume Perrin
Published : 2020
Online Access : Via Nantes Université network
Online Access note : Accès au texte intégral
Note de thèse : Thèse de doctorat : Mathématiques et leurs interactions : Ecole centrale de Nantes : 2020
Subjects :
Approximation, Théorie de l'
Algorithmes
Réseaux neuronaux (informatique)
Approximation en grande dimension
Approximation de faible rang
Formats de tenseurs basés sur des arbres
Analyse en composantes principales
Stratégies adaptatives
Moindres carrés pondérés
Thèses et écrits académiques

Internet

http://www.theses.fr/2020ECDN0045/document