On optimal sampling in high and low dimension
- 30 March 2026
- thesis
- Published by Agence Bibliographique de l'Enseignement Supérieur
Abstract
De l'échantillonage optimal en grande et petite dimension: Pendant ma thèse, j’ai eu la chance d’apprendre et de travailler sous la supervision de mon directeur de thèse Rémi, et ce dans deux domaines qui me sont particulièrement chers. Je veux parler de la Théorie des Bandits et du Compressed Sensing. Je les voie comme intimement liés non par les méthodes mais par leur objectif commun: l’échantillonnage optimal de l’espace. Tous deux sont centrés sur les manières d’échantillonner l’espace efficacement : la Théorie des Bandits en petite dimension et le Compressed Sensing en grande dimension. Dans cette dissertation, je présente la plupart des travaux que mes co-auteurs et moi-même avons écrit durant les trois années qu’a duré ma thèse.Keywords
This publication has 57 references indexed in Scilit:
- Upper-Confidence-Bound Algorithms for Active Learning in Multi-armed Bandits2011
- On Upper-Confidence Bound Policies for Switching Bandit Problems2011
- Pure Exploration in Multi-armed Bandits Problems2009
- Active Learning in Multi-armed BanditsLecture Notes in Computer Science, 2008
- On sparse reconstruction from Fourier and Gaussian measurementsCommunications on Pure and Applied Mathematics, 2007
- Simulation and the Monte Carlo Method2007
- Stable signal recovery from incomplete and inaccurate measurementsCommunications on Pure and Applied Mathematics, 2006
- Monte Carlo Methods in Financial Engineering2003
- Optimal Adaptive Policies for Sequential Allocation ProblemsAdvances in Applied Mathematics, 1996
- An Introduction to Probabilistic Modeling1988