Robust interquantile training of neural networks

Kód výsledku v 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>

Výsledek na webu

<a href="https://github.com/jankalinaUI/Quantile" target="_blank" >https://github.com/jankalinaUI/Quantile</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Robust interquantile training of neural networks

Popis výsledku v původním jazyce

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.

Název v anglickém jazyce

Robust interquantile training of neural networks

Popis výsledku anglicky

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.

Druh

R - Software

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

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

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2019

Kód důvěrnosti údajů

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

Interní identifikační kód produktu

Quantile 1.0

Technické parametry

Kód v Pythonu je samostatně spustitelný, vyžaduje instalaci TensorFlow, Keras, SciPy, NumPy, scikit-learn. Spuštění kódu je přímočaré podle dokumentace. Dostupné pod licencí MIT.

Ekonomické parametry

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.

IČO vlastníka výsledku

67985807

Název vlastníka

Ústav informatiky AV ČR, v. v. i.