Dans cet exposé, il sera question de construire un proxy de le fonction distance à un compact, à partir d'un nuage de points générés sur ce compact, avec du bruit.
Ce proxy sera construit à partir d'un critère de type k-means, avec une divergence de Bregman. Ses sous-niveaux seront des unions de boules. Je présenterai l'utilisation de ce proxy à des fins de partitionnement de données.

Il s'agit de travaux publiés dans :
- Claire Brécheteau and Clément Levrard, A k-points-based distance for robust geometric inference. Bernoulli 2020, Vol. 26, No. 4, 3017-3050
- Claire Brécheteau and Aurélie Fischer and Clément Levrard, Robust Bregman Clustering. Annals of Statistics 2021, Vol. 49, No. 3, 1679-1701
- Claire Brécheteau, Robust anisotropic power-functions-based filtrations for clustering.
Symposium on Computational Geometry 2020, 23:1-23:15