On Robust Training of Regression Neural Networks

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F20%3A00525292" target="_blank" >RIV/67985807:_____/20:00525292 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-030-47756-1_20" target="_blank" >http://dx.doi.org/10.1007/978-3-030-47756-1_20</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-030-47756-1_20" target="_blank" >10.1007/978-3-030-47756-1_20</a>

Jazyk výsledku

angličtina

Název v původním jazyce

On Robust Training of Regression Neural Networks

Popis výsledku v původním jazyce

Estimation, prediction or smoothing of curves represents a fundamental task of functional data analysis. Nonlinear regression methods allow to search for the best-fit curves explaining the dependence of a response variable on available independent variables. Neural networks, commonly used for the task of nonlinear regression, are however highly vulnerable to the presence of outlying measurements in the data. New robust versions of common types of neural networks, namely multilayer perceptrons and radial basis function networks, are proposed here based on nonlinear regression quantiles or highly robust loss functions. Three datasets are analyzed to illustrate the performance of the novel robust approaches, which turn out to outperform standard neural networks or other competing regression tools over contaminated data.

Název v anglickém jazyce

On Robust Training of Regression Neural Networks

Popis výsledku anglicky

Estimation, prediction or smoothing of curves represents a fundamental task of functional data analysis. Nonlinear regression methods allow to search for the best-fit curves explaining the dependence of a response variable on available independent variables. Neural networks, commonly used for the task of nonlinear regression, are however highly vulnerable to the presence of outlying measurements in the data. New robust versions of common types of neural networks, namely multilayer perceptrons and radial basis function networks, are proposed here based on nonlinear regression quantiles or highly robust loss functions. Three datasets are analyzed to illustrate the performance of the novel robust approaches, which turn out to outperform standard neural networks or other competing regression tools over contaminated data.

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)

Projekt

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

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2020

Kód důvěrnosti údajů

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

Název statě ve sborníku

Functional and High-Dimensional Statistics and Related Fields

ISBN

978-3-030-47755-4

ISSN

1431-1968

e-ISSN

—

Počet stran výsledku

8

Strana od-do

145-152

Název nakladatele

Springer

Místo vydání

Cham

Místo konání akce

Online

Datum konání akce

23. 6. 2021

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—