Busca avançada
Ano de início
Entree

Esquemas eficientes de Monte Carlo para espaços de alta dimensão e grandes bancos de dados médicos e industriais

Processo: 14/23160-6
Linha de fomento:Bolsas no Brasil - Pós-Doutorado
Vigência (Início): 01 de março de 2015
Vigência (Término): 30 de abril de 2016
Área do conhecimento:Ciências Exatas e da Terra - Probabilidade e Estatística - Estatística
Pesquisador responsável:Francisco Louzada Neto
Beneficiário:Luca Martino
Instituição-sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
Vinculado ao auxílio:13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria, AP.CEPID
Assunto(s):Estatística computacional

Resumo

Métodos de Monte Carlo (MC) são técnicas computacionais bem conhecidas, aplicadas a diferentes áreas (como finanças, biologia, processamento de sinais, aprendizagem de máquina, dentre outras), no contexto de inferência Bayesiana e otimização estocástica. Apesar de serem muito flexíveis e suas aplicações serem quase ilimitadas, vários inconvenientes ainda estão carentes de solução, especialmente para problemas dimensão alta e análise de grandes banco de dados. A principal limitação está relacionada com o custo computacional e o tempo necessário para se obter resultados confiáveis. Neste projeto, investigaremos propostas de combinação de duas abordagens principais MC, os esquemas de amostragem por importância (IS) e a cadeia de Markov Monte Carlo (MCMC), considerando conjuntamente o uso de técnicas paralelas. A metodologia desenvolvida destina-se a ser aplicada a grandes bancos de dados médicos e industriais.

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)
MARTINO, L.; LOUZADA, F. Adaptive rejection sampling with fixed number of nodes. COMMUNICATIONS IN STATISTICS-SIMULATION AND COMPUTATION, v. 48, n. 3, p. 655-665, MAR 16 2019. Citações Web of Science: 3.
MARTINO, L.; LOUZADA, F. Issues in the Multiple Try Metropolis mixing. Computational Statistics, v. 32, n. 1, p. 239-252, MAR 2017. Citações Web of Science: 5.
MARTINO, LUCA; ELVIRA, VICTOR; LOUZADA, FRANCISCO. Effective sample size for importance sampling based on discrepancy measures. Signal Processing, v. 131, p. 386-401, FEB 2017. Citações Web of Science: 28.
MARTINO, LUCA; READ, JESSE; ELVIRA, VICTOR; LOUZADA, FRANCISCO. Cooperative parallel particle filters for online model selection and applications to urban mobility. DIGITAL SIGNAL PROCESSING, v. 60, p. 172-185, JAN 2017. Citações Web of Science: 41.
MARTINO, L.; ELVIRA, V.; LUENGO, D.; CORANDER, J.; LOUZADA, F. Orthogonal parallel MCMC methods for sampling and optimization. DIGITAL SIGNAL PROCESSING, v. 58, p. 64-84, NOV 2016. Citações Web of Science: 23.

Por favor, reporte erros na lista de publicações científicas escrevendo para: cdi@fapesp.br.
Mapa da distribuição dos acessos desta página
Para ver o sumário de acessos desta página, clique aqui.