On Coupling Robust Estimation with Regularization for High-Dimensional Data
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F17%3A00474072" target="_blank" >RIV/67985807:_____/17:00474072 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1007/978-3-319-55723-6_2" target="_blank" >http://dx.doi.org/10.1007/978-3-319-55723-6_2</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-319-55723-6_2" target="_blank" >10.1007/978-3-319-55723-6_2</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
On Coupling Robust Estimation with Regularization for High-Dimensional Data
Popis výsledku v původním jazyce
Standard data mining procedures are sensitive to the presence of outlying measurements in the data. Therefore, robust data mining procedures are highly desirable, which are resistant to outliers. This work has the aim to propose new robust classification procedures for high-dimensional data and algorithms for their efficient computation. Particularly, we use the idea of implicit weights assigned to individual observation to propose several robust regularized versions of linear discriminant analysis (LDA), suitable for data with the number of variables exceeding the number of observations. The approach is based on a regularized version of the minimum weighted covariance determinant (MWCD) estimator and represents a unique attempt to combine regularization and high robustness, allowing to down-weight outlying observations. Classification performance of new methods is illustrated on real fMRI data acquired in neuroscience research.
Název v anglickém jazyce
On Coupling Robust Estimation with Regularization for High-Dimensional Data
Popis výsledku anglicky
Standard data mining procedures are sensitive to the presence of outlying measurements in the data. Therefore, robust data mining procedures are highly desirable, which are resistant to outliers. This work has the aim to propose new robust classification procedures for high-dimensional data and algorithms for their efficient computation. Particularly, we use the idea of implicit weights assigned to individual observation to propose several robust regularized versions of linear discriminant analysis (LDA), suitable for data with the number of variables exceeding the number of observations. The approach is based on a regularized version of the minimum weighted covariance determinant (MWCD) estimator and represents a unique attempt to combine regularization and high robustness, allowing to down-weight outlying observations. Classification performance of new methods is illustrated on real fMRI data acquired in neuroscience research.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
<a href="/cs/project/GA13-23940S" target="_blank" >GA13-23940S: Osobnost a spontánní mozková aktivita během klidu a sledování filmu: vzájemný vztah a strukturní determinanty</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2017
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Data Science. Innovative Developments in Data Analysis and Clustering
ISBN
978-3-319-55722-9
ISSN
1431-8814
e-ISSN
—
Počet stran výsledku
13
Strana od-do
15-27
Název nakladatele
Springer
Místo vydání
Cham
Místo konání akce
Bologna
Datum konání akce
5. 7. 2015
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—