Busca avançada
Ano de início
Entree

Redes neurais em problemas de inferência estatística

Processo: 19/11321-9
Linha de fomento: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
Pesq. associados:Rafael Bassi Stern
Assunto(s):Redes neurais 

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 (7)
(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)
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. Citações Web of Science: 0.
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. Citações Web of Science: 0.
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. Citações Web of Science: 0.
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. Citações Web of Science: 0.
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. Citações Web of Science: 0.
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, Abr. 2020.
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. Citações Web of Science: 0.

Por favor, reporte erros na lista de publicações científicas escrevendo para: cdi@fapesp.br.