The Lorenz-maximal core allocations and the kernel in some classes of assignment games

En aquest treball demostrem que en la classe de jocs d'assignació amb diagonal dominant (Solymosi i Raghavan, 2001), el repartiment de Thompson (que coincideix amb el valor tau) és l'únic punt del core que és maximal respecte de la relació de dominància de Lorenz, i a més coincideix amb la solucié de Dutta i Ray (1989), també coneguda com solució igualitària. En segon lloc, mitjançant una condició més forta que la de diagonal dominant, introduïm una nova classe de jocs d'assignació on cada agent obté amb la seva parella òptima almenys el doble que amb qualsevol altra parella. Per aquests jocs d'assignació amb diagonal 2-dominant, el repartiment de Thompson és l'únic punt del kernel, i per tant el nucleolo.

Transformation kernel density estimation of actuarial loss functions

[cat] Es presenta un estimador nucli transformat que és adequat per a distribucions de cua pesada. Utilitzant una transformació basada en la distribució de probabilitat Beta l’elecció del paràmetre de finestra és molt directa. Es presenta una aplicació a dades d’assegurances i es mostra com calcular el Valor en Risc.

Kernel-based mapping of orographic rainfall enhancement in the Swiss Alps as detected by weatherradar

In this paper, we develop a data-driven methodology to characterize the likelihood of orographic precipitation enhancement using sequences of weather radar images and a digital elevation model (DEM). Geographical locations with topographic characteristics favorable to enforce repeatable and persistent orographic precipitation such as stationary cells, upslope rainfall enhancement, and repeated convective initiation are detected by analyzing the spatial distribution of a set of precipitation cells extracted from radar imagery. Topographic features such as terrain convexity and gradients computed from the DEM at multiple spatial scales as well as velocity fields estimated from sequences of weather radar images are used as explanatory factors to describe the occurrence of localized precipitation enhancement. The latter is represented as a binary process by defining a threshold on the number of cell occurrences at particular locations. Both two-class and one-class support vector machine classifiers are tested to separate the presumed orographic cells from the nonorographic ones in the space of contributing topographic and flow features. Site-based validation is carried out to estimate realistic generalization skills of the obtained spatial prediction models. Due to the high class separability, the decision function of the classifiers can be interpreted as a likelihood or susceptibility of orographic precipitation enhancement. The developed approach can serve as a basis for refining radar-based quantitative precipitation estimates and short-term forecasts or for generating stochastic precipitation ensembles conditioned on the local topography.

Advanced Kernel Methods For Remote Sensing Image Classification

Résumé Suite aux recentes avancées technologiques, les archives d'images digitales ont connu une croissance qualitative et quantitative sans précédent. Malgré les énormes possibilités qu'elles offrent, ces avancées posent de nouvelles questions quant au traitement des masses de données saisies. Cette question est à la base de cette Thèse: les problèmes de traitement d'information digitale à très haute résolution spatiale et/ou spectrale y sont considérés en recourant à des approches d'apprentissage statistique, les méthodes à noyau. Cette Thèse étudie des problèmes de classification d'images, c'est à dire de catégorisation de pixels en un nombre réduit de classes refletant les propriétés spectrales et contextuelles des objets qu'elles représentent. L'accent est mis sur l'efficience des algorithmes, ainsi que sur leur simplicité, de manière à augmenter leur potentiel d'implementation pour les utilisateurs. De plus, le défi de cette Thèse est de rester proche des problèmes concrets des utilisateurs d'images satellite sans pour autant perdre de vue l'intéret des méthodes proposées pour le milieu du machine learning dont elles sont issues. En ce sens, ce travail joue la carte de la transdisciplinarité en maintenant un lien fort entre les deux sciences dans tous les développements proposés. Quatre modèles sont proposés: le premier répond au problème de la haute dimensionalité et de la redondance des données par un modèle optimisant les performances en classification en s'adaptant aux particularités de l'image. Ceci est rendu possible par un système de ranking des variables (les bandes) qui est optimisé en même temps que le modèle de base: ce faisant, seules les variables importantes pour résoudre le problème sont utilisées par le classifieur. Le manque d'information étiquétée et l'incertitude quant à sa pertinence pour le problème sont à la source des deux modèles suivants, basés respectivement sur l'apprentissage actif et les méthodes semi-supervisées: le premier permet d'améliorer la qualité d'un ensemble d'entraînement par interaction directe entre l'utilisateur et la machine, alors que le deuxième utilise les pixels non étiquetés pour améliorer la description des données disponibles et la robustesse du modèle. Enfin, le dernier modèle proposé considère la question plus théorique de la structure entre les outputs: l'intègration de cette source d'information, jusqu'à présent jamais considérée en télédétection, ouvre des nouveaux défis de recherche. Advanced kernel methods for remote sensing image classification Devis Tuia Institut de Géomatique et d'Analyse du Risque September 2009 Abstract The technical developments in recent years have brought the quantity and quality of digital information to an unprecedented level, as enormous archives of satellite images are available to the users. However, even if these advances open more and more possibilities in the use of digital imagery, they also rise several problems of storage and treatment. The latter is considered in this Thesis: the processing of very high spatial and spectral resolution images is treated with approaches based on data-driven algorithms relying on kernel methods. In particular, the problem of image classification, i.e. the categorization of the image's pixels into a reduced number of classes reflecting spectral and contextual properties, is studied through the different models presented. The accent is put on algorithmic efficiency and the simplicity of the approaches proposed, to avoid too complex models that would not be used by users. The major challenge of the Thesis is to remain close to concrete remote sensing problems, without losing the methodological interest from the machine learning viewpoint: in this sense, this work aims at building a bridge between the machine learning and remote sensing communities and all the models proposed have been developed keeping in mind the need for such a synergy. Four models are proposed: first, an adaptive model learning the relevant image features has been proposed to solve the problem of high dimensionality and collinearity of the image features. This model provides automatically an accurate classifier and a ranking of the relevance of the single features. The scarcity and unreliability of labeled. information were the common root of the second and third models proposed: when confronted to such problems, the user can either construct the labeled set iteratively by direct interaction with the machine or use the unlabeled data to increase robustness and quality of the description of data. Both solutions have been explored resulting into two methodological contributions, based respectively on active learning and semisupervised learning. Finally, the more theoretical issue of structured outputs has been considered in the last model, which, by integrating outputs similarity into a model, opens new challenges and opportunities for remote sensing image processing.

La fi del censal: reducció de l'interès o vaga de pensions? (1750-1861)

La reducció de l'interès del 5 % al 3 % ha estat considerada el principi de la fi dels censals. Però aquest argument no té en compte que la de 1750 va ser només l'última d'una sèrie de reduccions del for de censal, que també es produïren a Anglaterra, França o Castella, i que els primers símptomes de retracció de l'oferta de préstecs censals no apareixerien fins a la darreria del segle XVIII o principi del segle XIX. L¿article proposa una explicació alternativa d¿aquelles reduccions, que ajustaven l'interès a l'alça coetània del valor patrimonial de la terra i la minva de la rendibilitat del seu esmerç, i de la fi del censal a partir de l'impagament de pensions que es desencadenà a les acaballes del segle XVIII, juntament amb la vaga de delmes i rendes de la terra, quan s'havien esgotat, en bona part, les possibilitats d'expansió agrària del segle XVIII.

The Lorenz-maximal core allocations and the kernel in some classes of assignment games

En aquest treball demostrem que en la classe de jocs d'assignació amb diagonal dominant (Solymosi i Raghavan, 2001), el repartiment de Thompson (que coincideix amb el valor tau) és l'únic punt del core que és maximal respecte de la relació de dominància de Lorenz, i a més coincideix amb la solucié de Dutta i Ray (1989), també coneguda com solució igualitària. En segon lloc, mitjançant una condició més forta que la de diagonal dominant, introduïm una nova classe de jocs d'assignació on cada agent obté amb la seva parella òptima almenys el doble que amb qualsevol altra parella. Per aquests jocs d'assignació amb diagonal 2-dominant, el repartiment de Thompson és l'únic punt del kernel, i per tant el nucleolo.

Nouba De Ochak Sabahna V ; Nouba De Ochak Fi Dauha Ti Lazhar VI / Troupe El Hadj Abdelslam Errbati, chant [acc. voc. et instr.]

[Traditions. Afrique du Nord. Maroc]

Multiple Kernel Learning of Environmental Data. Case study: Analysis and Mapping of Wind Fields

The paper presents the Multiple Kernel Learning (MKL) approach as a modelling and data exploratory tool and applies it to the problem of wind speed mapping. Support Vector Regression (SVR) is used to predict spatial variations of the mean wind speed from terrain features (slopes, terrain curvature, directional derivatives) generated at different spatial scales. Multiple Kernel Learning is applied to learn kernels for individual features and thematic feature subsets, both in the context of feature selection and optimal parameters determination. An empirical study on real-life data confirms the usefulness of MKL as a tool that enhances the interpretability of data-driven models.

Uso de convergência tecnológica sem regulamentação apropriada: VOIP e competitividade

A convergência tecnológica criou a possibilidade de serviços de comunicações serem realizados baseados em tecnologias diferentes, garantindo o mesmo uso para usuários e melhores benefícios para provedores. Desta forma, ambos os consumidores - empresariais e residenciais - tiveram aumentadas suas escolhas para serviços conjuntos, bem como para provedores de serviços. A regulação existente não analisa o serviço como um resultado, mas como um produto ou tecnologia a ser autorizada. Baseado na literatura de utilização e comportamento do consumidor, este artigo descreve e discute uma estratégia de marketing usada pelos operadores de telecomunicações, os quais tiram vantagem da ineficiência da regulação e legislação. Uma análise teórica do ambiente competitivo e do uso da tecnologia conclui que benefícios econômicos da convergência tecnológica ocorrem devido a quatro fatores: progresso tecnológico; falhas na regulação; complexidade da tecnologia; não habilidade de explorar os benefícios da convergência. O mau uso destes serviços pelos provedores de telecomunicações, tendo em vista a convergência tecnológica e integração de sistemas neste setor, são discutidos especificamente no contexto dos serviços de comunicação de voz à longa distância utilizando VOIP, criando propostas para definir o melhor uso da tecnologia a fim de garantir uma competição justa para o mercado.

Kernel-based Mapping of Meteorological Fields in Complex Orography

Due to the advances in sensor networks and remote sensing technologies, the acquisition and storage rates of meteorological and climatological data increases every day and ask for novel and efficient processing algorithms. A fundamental problem of data analysis and modeling is the spatial prediction of meteorological variables in complex orography, which serves among others to extended climatological analyses, for the assimilation of data into numerical weather prediction models, for preparing inputs to hydrological models and for real time monitoring and short-term forecasting of weather.In this thesis, a new framework for spatial estimation is proposed by taking advantage of a class of algorithms emerging from the statistical learning theory. Nonparametric kernel-based methods for nonlinear data classification, regression and target detection, known as support vector machines (SVM), are adapted for mapping of meteorological variables in complex orography.With the advent of high resolution digital elevation models, the field of spatial prediction met new horizons. In fact, by exploiting image processing tools along with physical heuristics, an incredible number of terrain features which account for the topographic conditions at multiple spatial scales can be extracted. Such features are highly relevant for the mapping of meteorological variables because they control a considerable part of the spatial variability of meteorological fields in the complex Alpine orography. For instance, patterns of orographic rainfall, wind speed and cold air pools are known to be correlated with particular terrain forms, e.g. convex/concave surfaces and upwind sides of mountain slopes.Kernel-based methods are employed to learn the nonlinear statistical dependence which links the multidimensional space of geographical and topographic explanatory variables to the variable of interest, that is the wind speed as measured at the weather stations or the occurrence of orographic rainfall patterns as extracted from sequences of radar images. Compared to low dimensional models integrating only the geographical coordinates, the proposed framework opens a way to regionalize meteorological variables which are multidimensional in nature and rarely show spatial auto-correlation in the original space making the use of classical geostatistics tangled.The challenges which are explored during the thesis are manifolds. First, the complexity of models is optimized to impose appropriate smoothness properties and reduce the impact of noisy measurements. Secondly, a multiple kernel extension of SVM is considered to select the multiscale features which explain most of the spatial variability of wind speed. Then, SVM target detection methods are implemented to describe the orographic conditions which cause persistent and stationary rainfall patterns. Finally, the optimal splitting of the data is studied to estimate realistic performances and confidence intervals characterizing the uncertainty of predictions.The resulting maps of average wind speeds find applications within renewable resources assessment and opens a route to decrease the temporal scale of analysis to meet hydrological requirements. Furthermore, the maps depicting the susceptibility to orographic rainfall enhancement can be used to improve current radar-based quantitative precipitation estimation and forecasting systems and to generate stochastic ensembles of precipitation fields conditioned upon the orography.

Com elaborar, tutoritzar i avaluar um treball de fi de màster

Els estudis de nivell superior en el marc de la Unió Europea es componen del Grau i delPostgrau (Màsters i Doctorats). Els Màsters són titulacions producte d’una formació avançada, multidisciplinària o especialitzada, dirigida a la consecució d’assoliments acadèmics enprofunditat, d’especialitats professionals o d’iniciació a la recerca. Els estudis de Màster exigeixen l’avaluació continuada del procés d’aprenentatge que es concreta finalment en el denominat Treball de Fi de Màster (TFM), vertadera pedra angular de la formació de l’estudiant. Aquest treball final està pensat per evidenciar les competències adquirides al llarg de tot elprograma formatiu i demostrar l’assoliment dels objectius globals de l’aprenentatge. És la prova definitiva de la maduresa i de la professionalitat d’una carrera feta a consciència...

Com elaborar, tutoritzar i avaluar um treball de fi de màster

Els estudis de nivell superior en el marc de la Unió Europea es componen del Grau i delPostgrau (Màsters i Doctorats). Els Màsters són titulacions producte d’una formació avançada, multidisciplinària o especialitzada, dirigida a la consecució d’assoliments acadèmics enprofunditat, d’especialitats professionals o d’iniciació a la recerca. Els estudis de Màster exigeixen l’avaluació continuada del procés d’aprenentatge que es concreta finalment en el denominat Treball de Fi de Màster (TFM), vertadera pedra angular de la formació de l’estudiant. Aquest treball final està pensat per evidenciar les competències adquirides al llarg de tot elprograma formatiu i demostrar l’assoliment dels objectius globals de l’aprenentatge. És la prova definitiva de la maduresa i de la professionalitat d’una carrera feta a consciència...

Com elaborar, tutoritzar i avaluar um treball de fi de màster

Els estudis de nivell superior en el marc de la Unió Europea es componen del Grau i delPostgrau (Màsters i Doctorats). Els Màsters són titulacions producte d’una formació avançada, multidisciplinària o especialitzada, dirigida a la consecució d’assoliments acadèmics enprofunditat, d’especialitats professionals o d’iniciació a la recerca. Els estudis de Màster exigeixen l’avaluació continuada del procés d’aprenentatge que es concreta finalment en el denominat Treball de Fi de Màster (TFM), vertadera pedra angular de la formació de l’estudiant. Aquest treball final està pensat per evidenciar les competències adquirides al llarg de tot elprograma formatiu i demostrar l’assoliment dels objectius globals de l’aprenentatge. És la prova definitiva de la maduresa i de la professionalitat d’una carrera feta a consciència...

Com elaborar, tutoritzar i avaluar um treball de fi de màster

Els estudis de nivell superior en el marc de la Unió Europea es componen del Grau i delPostgrau (Màsters i Doctorats). Els Màsters són titulacions producte d’una formació avançada, multidisciplinària o especialitzada, dirigida a la consecució d’assoliments acadèmics enprofunditat, d’especialitats professionals o d’iniciació a la recerca. Els estudis de Màster exigeixen l’avaluació continuada del procés d’aprenentatge que es concreta finalment en el denominat Treball de Fi de Màster (TFM), vertadera pedra angular de la formació de l’estudiant. Aquest treball final està pensat per evidenciar les competències adquirides al llarg de tot elprograma formatiu i demostrar l’assoliment dels objectius globals de l’aprenentatge. És la prova definitiva de la maduresa i de la professionalitat d’una carrera feta a consciència...