Busca avançada
Ano de início
Entree

Redes neurais em problemas de inferência estatística

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)

Matéria(s) publicada(s) na Agência FAPESP sobre o auxílio:
Matéria(s) publicada(s) em Outras Mídias (0 total):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)

Publicações científicas (11)
(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)
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. Citações Web of Science: 0.
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. Citações Web of Science: 0.
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.; GRAHAM, M. L.; IYER, K. G.; JARVIS, M. J.; KALMBACH, J. B.; KOVACS, E.; LEE, A. B.; LONGO, G.; MORRISON, C. B.; NEWMAN, J. A.; NOURBAKHSH, E.; NUSS, E.; POSPISIL, T.; TRANIN, H.; WECHSLER, R. H.; ZHOU, R.; IZBICKI, R.; COLLABORATION, LSST DARK ENERGY SCI. 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. Citações Web of Science: 1.
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. Citações Web of Science: 3.
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.