Agrupamentos e Seleção de Variáveis em modelos de Regressão Funcional via Inferência Variacional.

• Processo: 24/22101-8
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de maio de 2025
• Data de Término da vigência: 30 de abril de 2027
• Área de conhecimento: Ciências Exatas e da Terra - Probabilidade e Estatística - Estatística
• Pesquisador responsável: Aluísio de Souza Pinheiro
• Beneficiário: Giovanni Pastori Piccirilli
• Instituição Sede: Instituto de Matemática, Estatística e Computação Científica (IMECC). Universidade Estadual de Campinas (UNICAMP). Campinas , SP, Brasil
• Vinculado ao auxílio: 23/02538-0 - Séries temporais, ondaletas, dados de alta dimensão e aplicações, AP.TEM
• Bolsa(s) vinculada(s): 25/27107-7 - Métodos bayesianos de ondaletas para detecção de mudanças em áreas urbanas com múltiplos conjuntos de dados, BE.EP.PD 25/27106-0 - Detecção de deslocamentos de pequenas áreas por métodos bayesianos de ondaletas, BE.EP.PD
• Assunto(s): MCMC
• Palavra(s)-Chave do Pesquisador: Bayesian Computation | Functional Data Analysis | Mcmc | Variational Bayes | Análise de Dados Funcionais

Resumo

Este projeto propõe novas abordagens estatística s para o problema de seleção de variáveis em modelos de regressão funcional usando o paradigma Bayesiano. Embora metodologias frequentistas sejam bem compreendidas, o uso de inferência Bayesiana em dados funcionais ainda é pouco explorado. Técnicas de inferência variacional, amplamente aplicadas em Statistical Machine Learning, demonstram grande eficiência, mas sua aplicação em dados funcionais apresenta desafios, especialmente em modelos de alta dimensionalidade. O objetivo é desenvolver métodos precisos e computacionalmente eficientes, incluindo a integração de transformações condicionais Bayesianas (Bayesian Conditional Transformation), ampliando sua aplicabilidade em cenários de alta complexidade. (AU)