Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

The minimum weighted covariance determinant estimator for high-dimensional data

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F22%3A00546694" target="_blank" >RIV/67985556:_____/22:00546694 - isvavai.cz</a>

  • Nalezeny alternativní kódy

    RIV/67985807:_____/22:00546601

  • Výsledek na webu

    <a href="https://link.springer.com/article/10.1007/s11634-021-00471-6" target="_blank" >https://link.springer.com/article/10.1007/s11634-021-00471-6</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1007/s11634-021-00471-6" target="_blank" >10.1007/s11634-021-00471-6</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    The minimum weighted covariance determinant estimator for high-dimensional data

  • Popis výsledku v původním jazyce

    In a variety of diverse applications, it is very desirable to perform a robust analysis of high-dimensional measurements without being harmed by the presence of a possibly larger percentage of outlying measurements. The minimum weighted covariance determinant (MWCD) estimator, based on implicit weights assigned to individual observations, represents a promising and flexible extension of the popular minimum covariance determinant (MCD) estimator of the expectation and scatter matrix of mlutivariate data. In this work, a regularized version of the MWCD denoted as the minimum regularized weighted covariance determinant (MRWCD) estimator is proposed. At the same time, it is accompanied by an outlier detection procedure. The novel MRWCD estimator is able to outperform other available robust estimators in several simulation scenarios, especially in estimating the scatter matrix of contaminated high-dimensional data.

  • Název v anglickém jazyce

    The minimum weighted covariance determinant estimator for high-dimensional data

  • Popis výsledku anglicky

    In a variety of diverse applications, it is very desirable to perform a robust analysis of high-dimensional measurements without being harmed by the presence of a possibly larger percentage of outlying measurements. The minimum weighted covariance determinant (MWCD) estimator, based on implicit weights assigned to individual observations, represents a promising and flexible extension of the popular minimum covariance determinant (MCD) estimator of the expectation and scatter matrix of mlutivariate data. In this work, a regularized version of the MWCD denoted as the minimum regularized weighted covariance determinant (MRWCD) estimator is proposed. At the same time, it is accompanied by an outlier detection procedure. The novel MRWCD estimator is able to outperform other available robust estimators in several simulation scenarios, especially in estimating the scatter matrix of contaminated high-dimensional data.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    10101 - Pure mathematics

Návaznosti výsledku

  • Projekt

    Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

  • Návaznosti

    I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Ostatní

  • Rok uplatnění

    2022

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    Advances in Data Analysis and Classification

  • ISSN

    1862-5347

  • e-ISSN

    1862-5355

  • Svazek periodika

    16

  • Číslo periodika v rámci svazku

    4

  • Stát vydavatele periodika

    DE - Spolková republika Německo

  • Počet stran výsledku

    23

  • Strana od-do

    977-999

  • Kód UT WoS článku

    000705729800001

  • EID výsledku v databázi Scopus

    2-s2.0-85116552764