Sur l'approximation des quantiles extrêmes avec les réseaux neuronaux.

Résumé Dans cette étude, nous proposons une nouvelle paramétrisation pour le générateur d'un réseau adversarial génératif (GAN) adapté aux données issues de distributions à queue lourde. Nous fournissons une analyse de l'erreur uniforme entre un quantile extrême et son approximation GAN. Des expériences numériques sont menées sur des données réelles et simulées.