Gradient proximal stochastique pour régression aléatoire en grande dimension

Nous présenterons dans cet exposé une version stochastique de l’algorithme de gradient proximal. Nous étudierons la convergence de l’algorithme et en particulier, à l’aide de bornes explicites, nous discuterons précisément l’influence des différents paramètres sur la vitesse de convergence. Nous présenterons une application à un problème de régression logistique en grande dimension en présence d’effets aléatoires.