Seleção de modelos em alta dimensão: propriedades teóricas e aplicações

Processo:	19/17734-3
Modalidade de apoio:	Auxílio à Pesquisa - Programa eScience e Data Science - Regular
Data de Início da vigência:	01 de fevereiro de 2020
Data de Término da vigência:	31 de janeiro de 2022
Área do conhecimento:	Ciências Exatas e da Terra - Probabilidade e Estatística - Estatística

Pesquisador responsável:	Florencia Graciela Leonardi
Beneficiário:	Florencia Graciela Leonardi

Instituição Sede:	Instituto de Matemática e Estatística (IME). Universidade de São Paulo (USP). São Paulo , SP, Brasil

Assunto(s):	Processos estocásticos
Palavra(s)-Chave do Pesquisador:	grafos aleatórios e redes \| processos espaço-temporais \| processos estocásticos \| seleção estátistica de modelos \| Inferência para processos estocásticos

Resumo

Este projeto de pesquisa tem como objetivo principal estudar métodos de seleção de modelos para análise de dados em alta dimensão. Os dados modelados serão de diferentes tipos e estruturas, como por exemplo grafos e redes aleatórias, vetores em alta dimensão ou dados espaço temporais. O foco deste projeto estará relacionado com modelos preditivos e o objetivo será selecionar modelos com dimensão adequada com o objetivo de minimizar o erro de predição. Esta abordagem está relacionada com a teoria de aprendizagem estatística, que dá suporte a várias das técnicas utilizadas na atualidade nos campos de aprendizagem de máquina ou ciência de dados. (AU)

Matéria(s) publicada(s) na Agência FAPESP sobre o auxílio:

Mais itens Menos itens

TITULO

Matéria(s) publicada(s) em Outras Mídias ( ):

Mais itens Menos itens

VEICULO: TITULO (DATA)

Publicações científicas (5)

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

LEONARDI, FLORENCIA; LOPEZ-ROSENFELD, MATIAS; RODRIGUEZ, DANIELA; SEVERINO, MAGNO T. F.; SUED, MARIELA. Independent block identification in multivariate time series. JOURNAL OF TIME SERIES ANALYSIS, v. 42, n. 1, p. 15-pg., 2020-08-26. (19/17734-3, 13/07699-0)

CERQUEIRA, ANDRESSA; LEONARDI, FLORENCIA. Estimation of the Number of Communities in the Stochastic Block Model. IEEE TRANSACTIONS ON INFORMATION THEORY, v. 66, n. 10, p. 10-pg., 2020-10-01. (19/17734-3, 13/07699-0, 15/12595-4)

LEONARDI, FLORENCIA; CARVALHO, RODRIGO; FRONDANA, IARA. Structure recovery for partially observed discrete Markov random fields on graphs under not necessarily positive distributions. SCANDINAVIAN JOURNAL OF STATISTICS, v. N/A, p. 25-pg., 2023-08-14. (19/17734-3, 13/07699-0)

CERQUEIRA, ANDRESSA; GARIVIER, AURELIEN; LEONARDI, FLORENCIA. A note on perfect simulation for Exponential Random Graph Models. ESAIM-PROBABILITY AND STATISTICS, v. 24, p. 138-147, MAR 3 2020. (19/17734-3, 13/07699-0, 15/12595-4)

URL curto