Auxílio à pesquisa 23/07068-1 - Aprendizado computacional, Regressão não paramétrica - BV FAPESP
Busca avançada
Ano de início
Entree

Aprendizado estatístico de máquina: em direção a uma melhor quantificação de incerteza

Processo: 23/07068-1
Modalidade de apoio:Auxílio à Pesquisa - Regular
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
Matéria(s) publicada(s) em Outras Mídias ( ):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)