Robust statistical methodology and theory for large-scale data

Informations projet

RobustStats

N° de convention de subvention: 101019498

DOI

10.3030/101019498

Date de signature de la CE 27 Mai 2021

Date de début 1 Octobre 2021

Date de fin 30 Septembre 2027

Financé au titre de

• EXCELLENT SCIENCE - European Research Council (ERC)

Coût total

€ 2 050 068,00

Contribution de l’UE

€ 2 050 068,00

Coordonné par

THE CHANCELLOR MASTERS AND SCHOLARS OF THE UNIVERSITY OF CAMBRIDGE
United Kingdom

CORDIS fournit des liens vers les livrables publics et les publications des projets HORIZON.

Les liens vers les livrables et les publications des projets du 7e PC, ainsi que les liens vers certains types de résultats spécifiques tels que les jeux de données et les logiciels, sont récupérés dynamiquement sur OpenAIRE .

Publications

Peer reviewed articles (4)

Nonparametric, tuning-free estimation of S-shaped functions

Auteurs: Feng, O. Y., Chen Y., Han, Q., Carroll, R. J. and Samworth, R. J.
Publié dans: Journal of the Royal Statistical Society, Series B, 2022, ISSN 1369-7412
Éditeur: Blackwell Publishing Inc.

USP: an independence test that improves on Pearson's chi-squared and the $G$-test

Auteurs: Thomas B. Berrett; Richard J. Samworth
Publié dans: nlmid: 9891746, Numéro 1, 2021, ISSN 1471-2946
Éditeur: Royal Society
DOI: 10.17863/cam.82635

High-dimensional changepoint estimation with heterogeneous missingness

Auteurs: Follain, B., Wang, T. and Samworth, R. J.
Publié dans: Journal of the Royal Statistical Society, Series B, 2022, ISSN 1369-7412
Éditeur: Blackwell Publishing Inc.
DOI: 10.1111/rssb.12540

High-Dimensional Principal Component Analysis with Heterogeneous Missingness

Auteurs: Zhu, Ziwei; Wang, Tengyao; Samworth, Richard J
Publié dans: essn: 1467-9868, Numéro 1, 2022, ISSN 1369-7412
Éditeur: Blackwell Publishing Inc.
DOI: 10.1111/rssb.12550

Monographic books (1)

A unifying tutorial on Approximate Message Passing

Auteurs: Feng, O. Y., Venkataramanan, R., Rush, C. and Samworth, R. J.
Publié dans: Foundations and Trends in Machine Learning, Numéro 1, 2022
Éditeur: 978-1-63828-004-0
DOI: 10.1561/2200000092