628 research outputs found
Taking Action: Managing Your Rights as an Author
No full textWhat does it mean to be an author in the 21st century? Or do you want to share copies of your articles with your colleagues and students? Join Emilie Algenio for her presentation aimed at authors who are interested in actively managing the rights in their written work. Attendees will learn about copyright ownership, resources and tools, and what a balanced approach to copyright management looks like. Question and Answer period will follow. Note: this will not be recorded
Friends of the Greenwood Library Presents Emilie Richards
No full textAward-winning fiction author Emilie Richards discussed her works at 7 p.m. on Friday, October 1 in Greenwood Library at Longwood University. The program, sponsored by the Friends of the Janet D. Greenwood Library, was preceded by a reception at 6 p.m. and followed by a book signing. Books for sale at the event include Happiness Key, Fortunate Harbor, and Sister\u27s Choice.Richards\u27 newest book, A Truth for a Truth, was available for pre-sale.
Richards is author of more than 60 fiction novels focusing on family and romance. Many of her novels feature complex characterizations and in-depth explorations of social issues, a result of her training and experience as a family counselor. Some of her popular series include Happiness Key, Ministry is Murder, Shenandoah Album, and Men of Midnight. In 2004 Richards began a series of single-title novels focused on quilting. The novels were inspired by her work as a volunteer teaching quilting to residents of the Arkansas Ozark Mountains while she was an undergraduate student at Florida State University. In 1994 she earned the RITA Award, the most prominent award given throughout the genre of romantic fiction, from the Romance Writers of America. She also earned a career achievement award from Romantic Times magazine and has been interviewed on both television and radio and quoted in Reader\u27s Digest
VideoSense at TRECVID 2011 : Semantic indexing from light similarity functions-based domain adaptation with stacking
No full textÉtude de la généralisation de DASF à l'adaptation de domaine semi-supervisée
No full textNational audienceAdapter un modèle d'une distribution source vers une distribution cible différente est un problème important en apprentissage automatique. Dans le cadre de l'adaptation de domaine, Ben-David et al. ont montré qu'un classifieur a de meilleures garanties de généralisation lorsque la distance entre les deux distributions marginales selon l'espace d'entrée est faible. Dans le cas non-supervisé, lorsque les données d'apprentissage sont uniquement issues de la distribution source, Morvant et al. ont créé un algorithme, appelé DASF, visant à diminuer cette distance par la construction itérative d'un espace de projection défini explicitement à l'aide d'une bonne fonction de similarité (au sens de Balcan et al.). Dans cet article nous généralisons DASF au cas semi-supervisé dans lequel quelques données cibles d'apprentissage sont considérées. Notre méthode se base sur le cadre théorique de Ben-David et al. proposant la minimisation d'une combinaison convexe des erreurs empiriques source et cible. Nous réalisons une étude de la parcimonie et de la capacité en généralisation des modèles inférés par notre méthode puis nous confirmons cette analyse sur un exemple jouet et une tâche d'annotation réelle
The Lieder of Emilie Mayer (1812-1883)
No full textabstract: ABSTRACT
Emilie Mayer (1812-1883) was a prolific composer whose musical works, which encompassed eight symphonies, four overtures, an opera, dozens of sonatas, eight string quartets, solo piano works, and nearly 130 songs for solo voice or vocal quartet, were performed in the foremost concert halls in Berlin and across Germany. She studied with lauded teachers: Carl Loewe (1796-1869), Adolph Bernhard Marx (1795-1866), and Wilhelm Wieprecht (1802-1872). Her talent was applauded by audiences and critics wrote favorably, despite their reservations about women composers. However, even with this unusual pedigree, Mayer’s works nearly disappeared from concert stages after her death. How did this happen? This study aims to answer this question and will delve into Emilie Mayer’s life and works in context with the prejudices against female composers at the time, in order to determine how those biases have shaped the classical canon. Included is an in-depth stylistic analysis of Mayer’s surviving seven Lieder, along-side comparisons to similar works of other composers. In addition, appendices present Mayer’s remaining Lieder in a new, modernized edition, with selected songs transposed for better accessibility for lower voices. Relative lack of female representation in modern-day concert halls and music history books correlates to previous misconceptions of female composers. Studying the works of Emilie Mayer will support her addition to the classical repertoire, help correct the male-gendered canon that persists, and help modern female composers realize their history is not confined to a footnote.Dissertation/ThesisDoctoral Dissertation Music 202
Experimental Mathematics applied to the STUDY OF NON-LINEAR RECURRENCES
No full textIn this thesis we study three topics within the broad fi eld of nonlinear recurrences. First we will consider global asymptotic stability in rational recurrences. A recurrence is globally asymptotically stable when the sequence it produces converges to an equilibrium solution given any initial conditions. Up to now, this topic has not been studied from an algorithmic perspective. We develop an algorithm that takes as input a rational recurrence relation conjectured to be globally asymptotically stable, and, if it is, outputs a rigorous proof of its stability. We apply this algorithm to many speci c rational recurrences. Secondly, we study a three-parameter family of rational recurrences that produce sequences of integers. We apply two methods to prove the integrality of these sequences. We fi rst show that some of the sequences also satisfy a linear recurrence. In order to establish integrality of the entire family we make use of the Laurent phenomenon. Finally, we develop a new concept that generalizes the notion of a recurrence. Instead of producing a single sequence, we produce in finitely many sequences from one set of initial conditions. We will study two families of this type of generalized recurrences that produce rational numbers when complex numbers are expected. We also observe exponential sequences being produced by some of these generalized recurrences.Ph.D.Includes bibliographical referencesIncludes vitaby Emilie Ann Hoga
Apprentissage de vote de majorité pour la classification supervisée et l'adaptation de domaine : approches PAC-Bayésiennes et combinaison de similarités
No full textNowadays, due to the expansion of the web a plenty of data are available and many applications need to make use of supervised machine learning methods able to take into account different information sources. For instance, for multimedia semantic indexing applications, one have to efficiently take advantage of information about color, textual, texture or sound sources of the document. Most of the existing methods try to combine these multimodal informations, either by directly fusionning the descriptors or by combining similarities or classifiers, in order to produce a classification model more reliable for the considered task. Usually, these multimodal facets imply two main issues. On the one hand, one have to be able to correctly make use of all the a priori information available. On the other hand, the data, on which the model will be applied, does not come from the same probability distribution than the data used during the learning step. In this context, we have to adapt the model on new data, which is known as domain adaptation. In this thesis, we propose several theoretically-founded contributions for tackle these issues. A first serie of contributions studies the problem of learning a weighted majority vote over a set of voters in a supervised classification setting.These results fall within the context of the PAC-Bayesian theory allowing to derive generalization abilities for such a vote by assuming an a priori on the relevance of the voters. Our first contribution aims at extending a recent algorithm, MinCq, minimizing a bound over the error of the majority vote in binary classification. This extension can take into account an a priori belief on the performances of the voters. This belief is expressed as an aligned distribution. We illustrate its usefulness for combining nearest neighbor classifiers, and for classifier fusion on a multimedia semantic indexing task. Then, we propose a theoretical contribution for multiclass classification tasks. Our approach is based on an original PAC-Bayesian analysis considering the operator norm of the confusion matrix as an error measure. Our second series of contributions relates to domain adaptation. In this situation we present our third result for combining similarities in order to infer a representation space for moving closer the learning distribution and the testing distribution. This contribution is based on the theory of learning from (epsilon,gamma,tau)-good similarity functions and is justified by the minimization of an usual bound in domain adaptation. For our last contribution, we propose the first PAC-Bayesian analysis for domain adaptation. This analysis is based on a consistent divergence measure between distributions allowing us to derive a generalization bound for learning majority votes in binary classification. Moreover, we propose a first algorithm specialized to linear classifiers and able to directly minimize our bound.De nos jours, avec l'expansion d'Internet, l'abondance et la diversité des données accessibles qui en résulte, de nombreuses applications requièrent l'utilisation de méthodes d'apprentissage automatique supervisé capables de prendre en considération différentes sources d'informations. Par exemple, pour des applications relevant de l'indexation sémantique de documents multimédia, il s'agit de pouvoir efficacement tirer bénéfice d'informations liées à la couleur, au texte, à la texture ou au son des documents à traiter. La plupart des méthodes existantes proposent de combiner ces informations multimodales, soit en fusionnant directement les descriptions, soit en combinant des similarités ou des classifieurs, avec pour objectif de construire un modèle de classification automatique plus fiable pour la tâche visée. Ces aspects multimodaux induisent généralement deux types de difficultés. D'une part, il faut être capable d'utiliser au mieux toute l'information a priori disponible sur les objets à combiner. D'autre part, les données sur lesquelles le modèle doit être appliqué ne suivent nécessairement pas la même distribution de probabilité que les données utilisées lors de la phase d'apprentissage. Dans ce contexte, il faut être à même d'adapter le modèle à de nouvelles données, ce qui relève de l'adaptation de domaine. Dans cette thèse, nous proposons plusieurs contributions fondées théoriquement et répondant à ces problématiques. Une première série de contributions s'intéresse à l'apprentissage de votes de majorité pondérés sur un ensemble de votants dans le cadre de la classification supervisée. Ces contributions s'inscrivent dans le contexte de la théorie PAC-Bayésienne permettant d'étudier les capacités en généralisation de tels votes de majorité en supposant un a priori sur la pertinence des votants. Notre première contribution vise à étendre un algorithme récent, MinCq, minimisant une borne sur l'erreur du vote de majorité en classification binaire. Cette extension permet de prendre en compte une connaissance a priori sur les performances des votants à combiner sous la forme d'une distribution alignée. Nous illustrons son intérêt dans une optique de combinaison de classifieurs de type plus proches voisins, puis dans une perspective de fusion de classifieurs pour l'indexation sémantique de documents multimédia. Nous proposons ensuite une contribution théorique pour des problèmes de classification multiclasse. Cette approche repose sur une analyse PAC-Bayésienne originale en considérant la norme opérateur de la matrice de confusion comme mesure de risque. Notre seconde série de contributions concerne la problématique de l'adaptation de domaine. Dans cette situation, nous présentons notre troisième apport visant à combiner des similarités permettant d'inférer un espace de représentation de manière à rapprocher les distributions des données d'apprentissage et des données à traiter. Cette contribution se base sur la théorie des fonctions de similarités (epsilon,gamma,tau)-bonnes et se justifie par la minimisation d'une borne classique en adaptation de domaine. Pour notre quatrième et dernière contribution, nous proposons la première analyse PAC-Bayésienne appropriée à l'adaptation de domaine. Cette analyse se base sur une mesure consistante de divergence entre distributions permettant de dériver une borne en généralisation pour l'apprentissage de votes de majorité en classification binaire. Elle nous permet également de proposer un algorithme adapté aux classifieurs linéaires capable de minimiser cette borne de manière directe
Avancées en théorie PAC-Bayésienne : de bornes en généralisation à des algorithmes d'apprentissage supervisé et de transfert
No full textAdaptation de domaine de vote de majorité par auto-étiquetage non itératif
No full textNational audienceEn apprentissage automatique, nous parlons d'adaptation de domaine lorsque les données de test (cibles) et d'apprentissage (sources) sont générées selon différentes distributions. Nous devons donc développer des algorithmes de classification capables de s'adapter à une nouvelle distribution, pour laquelle aucune information sur les étiquettes n'est disponible. Nous attaquons cette problématique sous l'angle de l'approche PAC-Bayésienne qui se focalise sur l'apprentissage de modèles définis comme des votes de majorité sur un ensemble de fonctions. Dans ce contexte, nous introduisons PV-MinCq une version adaptative de l'algorithme (non adaptatif) MinCq. PV-MinCq suit le principe suivant. Nous transférons les étiquettes sources aux points cibles proches pour ensuite appliquer MinCq sur l'échantillon cible ''auto-étiqueté'' (justifié par une borne théorique). Plus précisément, nous définissons un auto-étiquetage non itératif qui se focalise dans les régions où les distributions marginales source et cible sont les plus similaires. Dans un second temps, nous étudions l'influence de notre auto-étiquetage pour en déduire une procédure de validation des hyperparamètres. Finalement, notre approche montre des résultats empiriques prometteurs
Domain Adaptation of Majority Votes via Perturbed Variation-based Label Transfer
No full textWe tackle the PAC-Bayesian Domain Adaptation (DA) problem. This arrives when one desires to learn, from a source distribution, a good weighted majority vote (over a set of classifiers) on a different target distribution. In this context, the disagreement between classifiers is known crucial to control. In non-DA supervised setting, a theoretical bound - the C-bound - involves this disagreement and leads to a majority vote learning algorithm: MinCq. In this work, we extend MinCq to DA by taking advantage of an elegant divergence between distribution called the Perturbed Varation (PV). Firstly, justified by a new formulation of the C-bound, we provide to MinCq a target sample labeled thanks to a PV-based self-labeling focused on regions where the source and target marginal distributions are closer. Secondly, we propose an original process for tuning the hyperparameters. Our framework shows very promising results on a toy problem
- …
