In this paper we propose an algorithm for solving systems of coupled monotone inclusions in Hilbert spaces. The operators arising in each of the inclusions of the system are processed in each iteration separately, namely, the single-valued are evaluated explicitly (forward steps), while the set-valued ones via their resolvents (backward steps). In addition, most of the steps in the iterative scheme can be executed simultaneously, this making the method applicable to a variety of convex minimization problems. The numerical performances of the proposed splitting algorithm are emphasized through applications in average consensus on colored networks and image classification via support vector machines.

Sous l'hypothèse gaussienne, la relation entre indépendance conditionnelle et parcimonie permet de justifier la construction d'estimateurs de l'inverse de la matrice de covariance -- également appelée matrice de précision -- à partir d'approches régularisées. Cette thèse, motivée à l'origine par la problématique de classification d'images, vise à développer une méthode d'estimation de la matrice de précision en grande dimension, lorsque le nombre $n$ d'observations est petit devant la dimension $p$ du modèle. Notre approche repose essentiellement sur les liens qu'entretiennent la matrice de précision et le modèle de régression linéaire. Elle consiste à estimer la matrice de précision en deux temps. Les éléments non diagonaux sont tout d'abord estimés en considérant $p$ problèmes de minimisation du type racine carrée des moindres carrés pénalisés par la norme $ell_1$.Les éléments diagonaux sont ensuite obtenus à partir du résultat de l'étape précédente, par analyse résiduelle ou maximum de vraisemblance. Nous comparons ces différents estimateurs des termes diagonaux en fonction de leur risque d'estimation. De plus, nous proposons un nouvel estimateur, conçu de sorte à tenir compte de la possible contamination des données par des {em outliers}, grâce à l'ajout d'un terme de régularisation en norme mixte $ell_2/ell_1$. L'analyse non-asymptotique de la convergence de notre estimateur souligne la pertinence de notre méthode / Under the Gaussian assumption, the relationship between conditional independence and sparsity allows to justify the construction of estimators of the inverse of the covariance matrix -- also called precision matrix -- from regularized approaches. This thesis, originally motivated by the problem of image classification, aims at developing a method to estimate the precision matrix in high dimension, that is when the sample size $n$ is small compared to the dimension $p$ of the model. Our approach relies basically on the connection of the precision matrix to the linear regression model. It consists of estimating the precision matrix in two steps. The off-diagonal elements are first estimated by solving $p$ minimization problems of the type $ell_1$-penalized square-root of least-squares. The diagonal entries are then obtained from the result of the previous step, by residual analysis of likelihood maximization. This various estimators of the diagonal entries are compared in terms of estimation risk. Moreover, we propose a new estimator, designed to consider the possible contamination of data by outliers, thanks to the addition of a $ell_2/ell_1$ mixed norm regularization term. The nonasymptotic analysis of the consistency of our estimator points out the relevance of our method

Die Relaxation in der Variationsrechnung führt zu Minimierungsaufgaben mit einer quasi-konvexen Energiedichte. In der nichtlinearen Elastizität, Topologieoptimierung, oder bei Mehrphasenmodellen sind solche Energiedichten konvex mit einer zusätzlichen Kontrolle in der dualen Variablen und einem beidseitigem Wachstum der Ordnung $p$. Diese Minimierungsprobleme haben im Allgemeinen mehrere Lösungen, welche dennoch eine eindeutige Spannung $\sigma$ definieren. Die Approximation mit der „hybrid high-order“ (HHO) Methode benutzt eine Rekonstruktion des Gradienten in dem Raum der stückweisen Raviart-Thomas Finiten Elemente ohne Stabilisierung auf einer Triangulierung in Simplexen. Die Anwendung dieser Methode auf die Klasse der degenerierten, konvexen Minimierungsprobleme liefert eine eindeutig bestimmte, $H(\div)$ konforme Approximation $\sigma_h$ der Spannung. Die a priori Abschätzungen in dieser Arbeit gelten für gemischten Randbedingungen ohne weitere Voraussetzung an der primalen Variablen und erlauben es, Konvergenzraten bei glatten Lösungen vorherzusagen. Die a posteriori Analysis führt auf garantierte obere Fehlerschranken, eine berechenbare untere Energieschranke, sowie einen konvergenten adaptiven Algorithmus. Die numerischen Beispiele zeigen höhere Konvergenzraten mit zunehmenden Polynomgrad und bestätigen empirisch die superlineare Konvergenz der unteren Energieschranke. Obwohl der Fokus dieser Arbeit auf die nicht stabilisierte HHO Methode liegt, wird eine detaillierte Fehleranalysis für die stabilisierte Version mit einer Gradientenrekonstruktion im Raum der stückweisen Polynome präsentiert. / The relaxation procedure in the calculus of variations leads to minimization problems with a quasi-convex energy density. In some problems of nonlinear elasticity, topology optimization, and multiphase models, the energy density is convex with some convexity control plus two-sided $p$-growth. The minimizers may be non-unique in the primal variable, but define a unique stress variable $\sigma$. The approximation by hybrid high-order (HHO) methods utilizes a reconstruction of the gradients in the space of piecewise Raviart-Thomas finite element functions without stabilization on a regular triangulation into simplices. The application of the HHO methodology to this class of degenerate convex minimization problems allows for a unique $H(\div)$ conform stress approximation $\sigma_h$. The a priori estimates for the stress error $\sigma - \sigma_h$ in the Lebesgue norm are established for mixed boundary conditions without additional assumptions on the primal variable and lead to convergence rates for smooth solutions. The a posteriori analysis provides guaranteed error control, including a computable lower energy bound, and a convergent adaptive scheme. Numerical benchmarks display higher convergence rates for higher polynomial degrees and provide empirical evidence for the superlinear convergence of the lower energy bound. Although the focus is on the unstabilized HHO method, a detailed error analysis is provided for the stabilized version with a gradient reconstruction in the space of piecewise polynomials.

No description available.

In this paper we propose an algorithm for solving systems of coupled monotone inclusions in Hilbert spaces. The operators arising in each of the inclusions of the system are processed in each iteration separately, namely, the single-valued are evaluated explicitly (forward steps), while the set-valued ones via their resolvents (backward steps). In addition, most of the steps in the iterative scheme can be executed simultaneously, this making the method applicable to a variety of convex minimization problems. The numerical performances of the proposed splitting algorithm are emphasized through applications in average consensus on colored networks and image classification via support vector machines.