Robust interquantile training of neural networks
The result's identifiers
Result code in IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F19%3A00518369" target="_blank" >RIV/67985807:_____/19:00518369 - isvavai.cz</a>
Result on the web
<a href="https://github.com/jankalinaUI/Quantile" target="_blank" >https://github.com/jankalinaUI/Quantile</a>
DOI - Digital Object Identifier
—
Alternative languages
Result language
angličtina
Original language name
Robust interquantile training of neural networks
Original language description
Standard types of artificial neural networks commonly used for the regression task are known to be highly vulnerable to the presence of outliers in the data. The software performs robust training of multilayer perceptrons or radial basis function networks by means of quantiles, which are themselves trained by means of the same type of neural networks. Also the quantiles may be applied as stand-alone tools applicable to regression tasks, especially under heteroscedastic errors. The novel method considers the regression task only with measurements between two given quantiles, i.e.~between a lower and upper quantile, and trims away all remaining measurements. The performance was tested over real and simulated datasets.
Czech name
—
Czech description
—
Classification
Type
R - Software
CEP classification
—
OECD FORD branch
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Result continuities
Project
Result was created during the realization of more than one project. More information in the Projects tab.
Continuities
I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Others
Publication year
2019
Confidentiality
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Data specific for result type
Internal product ID
Quantile 1.0
Technical parameters
Kód v Pythonu je samostatně spustitelný, vyžaduje instalaci TensorFlow, Keras, SciPy, NumPy, scikit-learn. Spuštění kódu je přímočaré podle dokumentace. Dostupné pod licencí MIT.
Economical parameters
Software umožňuje uživateli provést alternativní trénování neuronových sítí, které je robustní vůči odlehlým hodnotám. Jde dosud o první takovou implementaci, která je dostupná. Software výrazně usnadňuje práci s neuronovými sítěmi, protože provádět jejich trénování nezávisle na přítomnosti odlehlých hodnot by jinak vyžadovalo značně komplikované a zdlouhavé postupy.
Owner IČO
67985807
Owner name
Ústav informatiky AV ČR, v. v. i.