Redes neurais em problemas de inferência estatística

• Processo: 19/11321-9
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Vigência: 01 de outubro de 2019 - 30 de setembro de 2021
• Área do conhecimento: Ciências Exatas e da Terra - Probabilidade e Estatística - Estatística
• Pesquisador responsável: Rafael Izbicki
• Beneficiário: Rafael Izbicki
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Pesquisadores associados: Rafael Bassi Stern
• Assunto(s): Dados de alta dimensão Análise de regressão Regressão linear Inferência não paramétrica Redes neurais (computação) Aprendizado computacional Aprendizado de máquina supervisionado
• Palavra(s)-Chave do Pesquisador: dados em alta dimensão | Estimadores lineares locais | Redes neurais | Regressão não paramétrica | Inferência não paramétrica, aprendizado de máquina

Resumo

Na última década, os avanços computacionais fizeram com que redes neurais ressurgiressem como uma ferramenta poderosa para a realização de tarefas de aprendizado supervisionado, como classificação e regressão. Contudo, essa ferramenta foi subutilizada como forma de realizar inferência estatística. Por exemplo, soluções dadas por redes neurais são tipicamente um caixa preta e, portanto, difíceis de interpretar. Neste trabalho, exploraremos o poder das redes neurais para resolver três desafios em inferência estatística: (i) ajustar estimadores de regressão lineares locais não paramétricos para grandes conjuntos de dados (ii) medir incertezas nas previsões dadas por métodos supervisionados através da estimativa de densidades condicionais para dados de alta dimensão, e (iii) criar testes de independência condicional. (AU)

Publicações científicas

(25)

(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)

CEREGATTI, RAFAEL DE CARVALHO; IZBICKI, RAFAEL; BUENO SALASAR, LUIS ERNESTO. WIKS: a general Bayesian nonparametric index for quantifying differences between two populations. TEST, MAY 2020. (19/11321-9, 17/03363-8)

SHIMIZU, GILSON Y.; IZBICKI, RAFAEL; VALLE, DENIS. A new LDA formulation with covariates. COMMUNICATIONS IN STATISTICS-SIMULATION AND COMPUTATION, v. N/A, p. 18-pg., 2023-01-20. (19/11321-9)

IZBICKI, RAFAEL; SHIMIZU, GILSON; STERN, RAFAEL B.. CD-split and HPD-split: Efficient Conformal Regions in High Dimensions. JOURNAL OF MACHINE LEARNING RESEARCH, v. 23, p. 32-pg., 2022-01-01. (13/07699-0, 19/11321-9)

IZBICKI, RAFAEL; SHIMIZU, GILSON Y.; STERN, RAFAEL B.; CHIAPPA, S; CALANDRA, R. Flexible distribution-free conditional predictive bands using density estimators. INTERNATIONAL CONFERENCE ON MACHINE LEARNING, VOL 162, v. 108, p. 9-pg., 2020-01-01. (19/11321-9)

BOTARI, TIAGO; IZBICKI, RAFAEL; DE CARVALHO, ANDRE C. P. L. F.; CELLIER, P; DRIESSENS, K. Local Interpretation Methods to Machine Learning Using the Domain of the Feature Space. MACHINE LEARNING AND KNOWLEDGE DISCOVERY IN DATABASES, ECML PKDD 2019, PT I, v. 1167, p. 12-pg., 2020-01-01. (13/07375-0, 19/11321-9)

DALMASSO, N.; POSPISIL, T.; LEE, A. B.; IZBICKI, R.; FREEMAN, P. E.; MALZ, A. I.. Conditional density estimation tools in python and R with applications to photometric redshifts and likelihood-free cosmological inference. ASTRONOMY AND COMPUTING, v. 30, JAN 2020. (19/11321-9, 17/03363-8)

M. MUSETTI; R. IZBICKI. Combinando Métodos de Aprendizado Supervisionado para a Melhoria da Previsão do Redshift de Galáxias. TEMA (São Carlos), v. 21, n. 1, p. 117-131, 2020-04-30. (19/11321-9, 17/03363-8)

VALLE, DENIS; SHIMIZU, GILSON; IZBICKI, RAFAEL; MARACAHIPES, LEANDRO; SILVERIO, DIVINO VICENTE; PAOLUCCI, LUCAS N.; JAMEEL, YUSUF; BRANDO, PAULO. The Latent Dirichlet Allocation model with covariates (LDAcov): A case study on the effect of fire on species composition in Amazonian forests. ECOLOGY AND EVOLUTION, v. 11, n. 12, p. 7970-7979, JUN 2021. (19/11321-9)

SCHMIDT, S. J.; MALZ, I, A.; SOO, J. Y. H.; ALMOSALLAM, I. A.; BRESCIA, M.; CAVUOTI, S.; COHEN-TANUGI, J.; CONNOLLY, A. J.; DEROSE, J.; FREEMAN, P. E.; et al. Evaluation of probabilistic photometric redshift estimation approaches for The Rubin Observatory Legacy Survey of Space and Time (LSST). Monthly Notices of the Royal Astronomical Society, v. 499, n. 2, p. 1587-1606, DEC 2020. (19/11321-9)

COSCRATO, VICTOR; DE ALMEIDA INACIO, MARCO HENRIQUE; IZBICKI, RAFAEL. The NN-Stacking: Feature weighted linear stacking through neural networks. Neurocomputing, v. 399, p. 141-152, JUL 25 2020. (19/11321-9, 17/03363-8)

BORGES, LEONARDO M.; REIS, VICTOR CANDIDO; IZBICKI, RAFAEL. Schrodinger's phenotypes: Herbarium specimens show two-dimensional images are both good and (not so) bad sources of morphological data. METHODS IN ECOLOGY AND EVOLUTION, v. 11, n. 10, p. 1296-1308, OCT 2020. (19/11321-9)

INACIO, MARCO; IZBICKI, RAFAEL; GYIRES-TOTH, BALINT. Distance assessment and analysis of high-dimensional samples using variational autoencoders. INFORMATION SCIENCES, v. 557, p. 407-420, MAY 2021. (19/11321-9, 17/03363-8)

BORGES, LEONARDO M.; REIS, VICTOR CANDIDO; IZBICKI, RAFAEL. Schrodinger's phenotypes: Herbarium specimens show two-dimensional images are both good and (not so) bad sources of morphological data. METHODS IN ECOLOGY AND EVOLUTION, AUG 2020. (19/11321-9)

MCNEELY, TREY; VINCENT, GALEN; WOOD, KIMBERLY M.; IZBICKI, RAFAEL; LEE, ANN B.. DETECTING DISTRIBUTIONAL DIFFERENCES IN LABELED SEQUENCE DATA WITH APPLICATION TO TROPICAL CYCLONE SATELLITE IMAGERY. Annals of Applied Statistics, v. 17, n. 2, p. 25-pg., 2023-06-01. (19/11321-9)

VALLE, DENIS; IZBICKI, RAFAEL; LEITE, RODRIGO VIEIRA. Quantifying uncertainty in land-use land-cover classification using conformal statistics. REMOTE SENSING OF ENVIRONMENT, v. 295, p. 9-pg., 2023-06-15. (19/11321-9)

CEREGATTI, RAFAEL DE CARVALHO; IZBICKI, RAFAEL; BUENO SALASAR, LUIS ERNESTO. WIKS: a general Bayesian nonparametric index for quantifying differences between two populations. TEST, v. 30, n. 1, p. 18-pg., 2020-05-29. (19/11321-9, 17/03363-8)

DALMASSO, NICCOLO; IZBICKI, RAFAEL; LEE, ANN B.; DAUME, H; SINGH, A. Confidence Sets and Hypothesis Testing in a Likelihood-Free Inference Setting. INTERNATIONAL CONFERENCE ON MACHINE LEARNING, VOL 162, v. 119, p. 12-pg., 2020-01-01. (19/11321-9)

DALMASSO, NICCOLO; IZBICKI, RAFAEL; LEE, ANN B.; ASSOC INFORMAT SYST. Confidence Sets and Hypothesis Testing in a Likelihood-Free Inference Setting. 25TH AMERICAS CONFERENCE ON INFORMATION SYSTEMS (AMCIS 2019), v. N/A, p. 12-pg., 2019-01-01. (19/11321-9)

CABEZAS, LUBEN M. C.; IZBICKI, RAFAEL; STERN, RAFAEL B.. Hierarchical clustering: Visualization, feature importance and model selection. APPLIED SOFT COMPUTING, v. 141, p. 12-pg., 2023-07-01. (20/10861-7, 13/07699-0, 19/11321-9)

COSCRATO, VICTOR; INACIO, MARCO H. A.; BOTARI, TIAGO; IZBICKI, RAFAEL. NLS: An accurate and yet easy-to-interpret prediction method. NEURAL NETWORKS, v. 162, p. 14-pg., 2023-03-09. (19/11321-9, 17/06161-7, 17/03363-8)

COSCRATO, VICTOR; IZBICKI, RAFAEL; STERN, RAFAEL BASSI. Agnostic tests can control the type I and type II errors simultaneously. BRAZILIAN JOURNAL OF PROBABILITY AND STATISTICS, v. 34, n. 2, p. 230-250, MAY 2020. (19/11321-9, 17/03363-8)

ESTEVES, LUIS GUSTAVO; IZBICKI, RAFAEL; STERN, JULIO MICHAEL; STERN, RAFAEL BASSI. Pragmatic Hypotheses in the Evolution of Science. Entropy, v. 21, n. 9, SEP 2019. (14/50279-4, 19/11321-9, 13/07375-0, 17/03363-8, 14/25302-2)

M. INÁCIO; R. IZBICKI; D. LOPES; M. A. DINIZ; L. E. SALASAR; J. C. P. FERREIRA. What If the Forecaster Knew? Assessing Forecast Reliability via Simulation. Trends in Computational and Applied Mathematics, v. 23, n. 1, p. 175-192, 2022-04-04. (19/11321-9)

FERONATO, SOFIA GALVAO; MATOS SILVA, MARIA LUIZA; IZBICKI, RAFAEL; FARIAS, TICIANA D. J.; SHIGUNOV, PATRICIA; DALLAGIOVANNA, BRUNO; PASSETTI, FABIO; DOS SANTOS, HELLEN GEREMIAS. Selecting Genetic Variants and Interactions Associated with Amyotrophic Lateral Sclerosis: A Group LASSO Approach. JOURNAL OF PERSONALIZED MEDICINE, v. 12, n. 8, p. 18-pg., 2022-08-01. (19/11321-9)

DALMASSO, NICCOLO; LEE, ANN B.; IZBICKI, RAFAEL; POSPISIL, TAYLOR; KIM, ILMUN; LIN, CHIEH-AN; CHIAPPA, S; CALANDRA, R. Validation of Approximate Likelihood and Emulator Models for Computationally Intensive Simulations. INTERNATIONAL CONFERENCE ON MACHINE LEARNING, VOL 162, v. 108, p. 12-pg., 2020-01-01. (19/11321-9, 17/03363-8)