Débiasing Stochastic Gradient Descent pour gérer les valeurs manquantes.

Résumé L'incomplétude des données à grande échelle est un problème majeur. Nous proposons un algorithme de gradient stochastique moyenné traitant les valeurs manquantes dans les modèles linéaires. Cette approche a le mérite de ne nécessiter aucune modélisation de la distribution des données et de tenir compte de la proportion hétérogène de valeurs manquantes. Nous prouvons que cet algorithme atteint un taux de convergence de O(1 n) à l'itération n, comme en l'absence de valeurs manquantes. Nous montrons le comportement de convergence et la pertinence de l'algorithme non seulement sur des données synthétiques mais aussi sur des ensembles de données réelles, y compris celles collectées dans des registres médicaux.