Onderzoek Jakob Raymaekers

Abstract

Dit onderzoek brengt robuuste statistiek, machine learning en optimalisatie samen om algemene frameworks te ontwikkelen voor supervised en unsupervised leren wanneer de data celsgewijze contaminatie kan bevatten. Het project beoogt covariantie schattingen, principaal component analyse, lineaire en logistische regressie. Verschillende uitbreidingen zijn mogelijk in de richtingen van regularized schatten en niet-lineaire modellen door gebruik te maken van kernels. Het project beoogt zowel de ontwikkeling van statistische methodologie, als het onderzoeken van de impact van celsgewijze contaminatie in de praktijk door samen te werken met experts rond het modelleren van tijdsreeksen in economie en rond het ontwikkelen van medicijnen.

Onderzoeker(s)

• Promotor: Raymaekers Jakob
• Mandaathouder: Raymaekers Jakob

Onderzoeksgroep(en)

• Toegepaste wiskunde

Project type(s)

• Onderzoeksproject

Abstract

Door technologische vooruitgang is de beschikbare hoeveelheid data het afgelopen decennium exponentieel toegenomen. Het vakgebied data science (DS) heeft deze groei gevolgd omdat het een onmisbare tool is voor het vertalen van data naar inzicht en kennis. Waar DS zich traditioneel bezighield met leerassociaties in data, is het de laatste tijd duidelijk geworden dat causale verbanden vaak een dieper begrip van de data en een sterkere tool in veel praktische toepassingen opleveren. Een van de gevestigde technieken voor causale modellering is het gebruik van gerichte acyclische grafen (GAG) om causale relaties voor te stellen. Deze GAGs moeten geleerd worden op basis van geobserveerde data. Veel van de SOTA technieken voor het leren van dergelijke GAGs zijn erg gevoelig voor anomalieën en leveren onbetrouwbare resultaten op in hun aanwezigheid. We streven ernaar om methoden te ontwikkelen voor het leren van GAGs die efficiënt en betrouwbaar blijven indien uitschieters aanwezig zijn in de gegevens. Het project begint met het bouwen van een solide basis voor de concepten robuustheid in causale modellering. Voortbouwend op deze grondslagen, zullen we vervolgens overgaan tot het bouwen van een algemene robuuste modelleringsmethodologie. Het project bevat drie complementaire benaderingen voor het ontwikkelen van robuuste methodes voor het leren van GAGs. De ontwikkelingen zullen zowel theoretisch als empirisch geëvalueerd worden en onderworpen aan testen op reëele casussen.

Onderzoeker(s)

• Promotor: Verdonck Tim
• Co-promotor: Latré Steven
• Co-promotor: Raymaekers Jakob
• Mandaathouder: Leyder Sarah

Onderzoeksgroep(en)

• Toegepaste wiskunde

Project type(s)

• Onderzoeksproject