Description du projet
Obtenir des informations significatives à partir d’ensembles de données hétérogènes et distribués
La numérisation a conduit à la production et à la collecte massives de données, qui présentent un immense potentiel pour le développement de la science, de la technologie et de la politique sociale. Cependant, ces données sont souvent extraites de sources multiples, à la hâte et à peu de frais, sans tenir compte de la structure expérimentale standard ou du formatage. D’un point de vue statistique, le défi consiste à extraire des informations significatives de ces ensembles de données hétérogènes et distribués. Pour y parvenir, le projet HeDiStat, financé par le CER, entend élaborer une nouvelle méthodologie statistique et des cadres théoriques qui consolideront les différentes formes d’hétérogénéité des données et d’erreurs de mesure. Les quatre domaines d’étude clés se concentreront sur la prise en compte du biais d’échantillonnage par le biais de modèles semiparamétriques, sur les questions d’appariement des fichiers par le biais d’un transport statistique optimal, sur la rectification des erreurs dues à des hypothèses de données manquantes et sur le respect de la vie privée des personnes.
Objectif
Data is now collected at unprecedented scales across many industries, meaning that there is huge potential for evidence-based advances in science, technology and public policy. However, to harness this potential we must navigate repositories that are often a far cry from the idealised datasets, carefully collected and curated under perfect conditions, that are usually imagined when new statistical methodology is introduced. Data are often gathered quickly and cheaply, patched together from multiple locations, with limited regard to enforcing experimental standards. We may have the large sample sizes we desire, but there will be missing values, misaligned datasets, contamination and, depending on the sector, there may be noise added purposefully to satisfy individuals' and regulatory bodies' privacy concerns.
We propose to address such difficulties through the development of new statistical methodology and theoretical frameworks that explicitly incorporate various forms of data heterogeneity and measurement error. This will be divided into four main areas:
1. Accounting for sampling bias when a complete dataset is complemented by additional incomplete datasets. This will be studied through the lens of semiparametric theory for functional estimation.
2. Combining two or more datasets that record overlapping but distinct sets of variables, where few or no complete records of all variables are available. These file matching problems will be studied using new developments in statistical optimal transport.
3. Examining the effect of the violation of missing data assumptions. Here we will introduce techniques from robust statistics to mitigate the error due to misspecifying assumptions about sampling bias.
4. Securing individuals' private data through the intentional use of noisy measurement. Here we contribute to the growing field of differential privacy, specifically the user-level local variant, where distributed batches of observations are privatised simultaneously.
Programme(s)
- HORIZON.1.1 - European Research Council (ERC) Main Programme
Thème(s)
Régime de financement
HORIZON-ERC - HORIZON ERC GrantsInstitution d’accueil
CV4 8UW COVENTRY
Royaume-Uni