Robust statistical methodology and theory for large-scale data

Informazioni relative al progetto

RobustStats

ID dell’accordo di sovvenzione: 101019498

DOI

10.3030/101019498

Data della firma CE 27 Maggio 2021

Data di avvio 1 Ottobre 2021

Data di completamento 30 Settembre 2027

Finanziato da

• EXCELLENT SCIENCE - European Research Council (ERC)

Costo totale

€ 2 050 068,00

Contributo UE

€ 2 050 068,00

Coordinato da

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

CORDIS fornisce collegamenti ai risultati finali pubblici e alle pubblicazioni dei progetti ORIZZONTE.

I link ai risultati e alle pubblicazioni dei progetti del 7° PQ, così come i link ad alcuni tipi di risultati specifici come dataset e software, sono recuperati dinamicamente da .OpenAIRE .

Pubblicazioni

Peer reviewed articles (4)

Nonparametric, tuning-free estimation of S-shaped functions

Autori: Feng, O. Y., Chen Y., Han, Q., Carroll, R. J. and Samworth, R. J.
Pubblicato in: Journal of the Royal Statistical Society, Series B, 2022, ISSN 1369-7412
Editore: Blackwell Publishing Inc.

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

Autori: Thomas B. Berrett; Richard J. Samworth
Pubblicato in: nlmid: 9891746, Numero 1, 2021, ISSN 1471-2946
Editore: Royal Society
DOI: 10.17863/cam.82635

High-dimensional changepoint estimation with heterogeneous missingness

Autori: Follain, B., Wang, T. and Samworth, R. J.
Pubblicato in: Journal of the Royal Statistical Society, Series B, 2022, ISSN 1369-7412
Editore: Blackwell Publishing Inc.
DOI: 10.1111/rssb.12540

High-Dimensional Principal Component Analysis with Heterogeneous Missingness

Autori: Zhu, Ziwei; Wang, Tengyao; Samworth, Richard J
Pubblicato in: essn: 1467-9868, Numero 1, 2022, ISSN 1369-7412
Editore: Blackwell Publishing Inc.
DOI: 10.1111/rssb.12550

Monographic books (1)

A unifying tutorial on Approximate Message Passing

Autori: Feng, O. Y., Venkataramanan, R., Rush, C. and Samworth, R. J.
Pubblicato in: Foundations and Trends in Machine Learning, Numero 1, 2022
Editore: 978-1-63828-004-0
DOI: 10.1561/2200000092