| Processo: | 23/07068-1 |
| Modalidade de apoio: | Auxílio à Pesquisa - Regular |
| Data de Início da vigência: | 01 de outubro de 2023 |
| Data de Término da vigência: | 30 de setembro de 2025 |
| 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 |
| Assunto(s): | Aprendizado computacional Regressão não paramétrica Quantificação de incertezas |
| Palavra(s)-Chave do Pesquisador: | Aprendizado de Máquina Estatístico | Quantificação de incerteza | Regressão não paramétrica | Aprendizado de Máquina Estatístico |
Resumo
Aprendizado de Máquina (ML) e Estatística surgiram como disciplinas poderosas no campo da análise de dados, cada uma oferecendo perspectivas e metodologias únicas para extrair insights valiosos de conjuntos de dados complexos. O objetivo deste trabalho é investigar como a estatística pode avaliar efetivamente a incerteza dos métodos de ML.A proposta consiste em três objetivos interconectados que abordam diferentes aspectos da quantificação da incerteza. O Objetivo 1 concentra-se no desenvolvimento de intervalos de previsão escaláveis com cobertura condicional assintótica baseados em métodos de regressão. Nosso objetivo é superar as limitações dos métodos existentes que ou não possuem garantias de cobertura ou não se adaptam bem a espaços de covariáveis de dimensões mais altas. Com base no trabalho do Objetivo 1, o Objetivo 2 visa recalibrar distribuições preditivas completas (PDs) para alcançar calibração individual ou condicional. Ao avaliar e direcionar a cobertura condicional em todo o espaço de covariáveis, buscamos melhorar a confiabilidade das PDs e fornecer incertezas por observação. Por fim, o Objetivo 3 expande o escopo da quantificação da incerteza, concentrando-se em medir a incerteza epistêmica associada às densidades condicionais estimadas. Ao desenvolver novas técnicas para quantificar a incerteza na estimativa de densidade condicional, possibilitaremos estimativas de parâmetros, previsões e processos de tomada de decisão mais robustos em diversas disciplinas. (AU)
| Matéria(s) publicada(s) na Agência FAPESP sobre o auxílio: |
| Mais itensMenos itens |
| TITULO |
| Matéria(s) publicada(s) em Outras Mídias ( ): |
| Mais itensMenos itens |
| VEICULO: TITULO (DATA) |
| VEICULO: TITULO (DATA) |