On the approximation of extreme quantiles with neural networks - Inria - Institut national de recherche en sciences et technologies du numérique Access content directly
Conference Papers Year : 2021

On the approximation of extreme quantiles with neural networks

Abstract

In this study, we propose a new parametrization for the generator of a Generative adversarial network (GAN) adapted to data from heavy-tailed distributions. We provide an analysis of the uniform error between an extreme quantile and its GAN approximation. Numerical experiments are conducted both on real and simulated data.
Dans cette étude nous proposons une nouvelle paramétrisation du générateur d'un réseau antagoniste génératif (GAN) adaptée aux données issues d'une distribution a queue lourde. Nous apportons une analyse de l'erreur d'approximation en norme uniforme d'un quantile extrême par le GAN ainsi construit. Des simulations numériques sont réalisées sur des données réelles et simulées. Mots-clés. Théorie des valeurs extrêmes, réseau de neurones, modèle génératif.
Fichier principal
Vignette du fichier
book_jds2021_michael.pdf (208.2 Ko) Télécharger le fichier
Origin Files produced by the author(s)

Dates and versions

hal-03268702 , version 1 (23-06-2021)

Identifiers

  • HAL Id : hal-03268702 , version 1

Cite

Michaël Allouche, Stéphane Girard, Emmanuel Gobet. On the approximation of extreme quantiles with neural networks. SFdS 2021 - 52èmes Journées de Statistique de la Société Française de Statistique, Jun 2021, Nice, France. pp.1-5. ⟨hal-03268702⟩
126 View
160 Download

Share

Gmail Mastodon Facebook X LinkedIn More