Opis projektu
Mniejszy ból głowy dzięki dużym zbiorom danych
Matematycy i naukowcy z różnych dziedzin, a także inżynierowie coraz częściej zajmują się analizą wielowymiarowych danych, gdzie każda nowa cecha oznacza kolejny wymiar i dla których liczba cech może przekraczać liczbę obserwacji. Aby uprościć obciążenie obliczeniowe podczas pracy z takimi danymi, opracowano liczne metody estymacji zajmujące się danymi dyskretnymi, a więc takimi, które są pozyskiwane w konkretnych punktach czasowych. Wciąż jednak cierpimy na niedostatek metod, które zajmowałyby się przetwarzaniem danych ciągłych. Twórcy finansowanego ze środków UE projektu STAMFORD wypełniają tę istotną lukę, a zaproponowane rozwiązania będą mogły znaleźć zastosowanie w licznych dziedzinach od biologii i fizyki cząstek elementarnych aż po rynek papierów wartościowych.
Cel
In the past twenty years the availability of vast dimensional data, typically referred to as big data, has given rise to exciting challenges in various fields of mathematics and computer sciences. The increasing need for getting a better understanding of such data in internet traffic, biology, genetics, and economics, has lead to a revolution in statistical and machine learning, optimisation and numerical analysis. Due to high dimensionality of modern statistical models, parameter estimation is a difficult task and statisticians typically investigate estimation methods under sparsity constraints. While an abundance of estimation algorithms is now available for high dimensional discrete models, a rigorous mathematical investigation of estimation problems for high dimensional continuous-time processes is completely undeveloped.
The aim of STAMFORD is to provide a concise statistical theory for estimation of high dimensional diffusions. Such high dimensional processes naturally appear in modelling particle interactions in physics, neural networks in biology or large portfolios in economics, just to name a few. The methodological part of the project will require development of novel
advanced techniques in mathematical statistics and probability theory. In particular, new results will be needed in parametric and non-parametric statistics, and high dimensional probability, that are reaching far beyond the state-of-the-art. Hence, a successful outcome of STAMFORD will not only have a tremendous impact on statistical inference for continuous-time models in natural and applied sciences, but also strongly influence the field of high dimensional statistics and probability.
Dziedzina nauki (EuroSciVoc)
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Klasyfikacja projektów w serwisie CORDIS opiera się na wielojęzycznej taksonomii EuroSciVoc, obejmującej wszystkie dziedziny nauki, w oparciu o półautomatyczny proces bazujący na technikach przetwarzania języka naturalnego.
Aby użyć tej funkcji, musisz się zalogować lub zarejestrować
Program(-y)
Temat(-y)
System finansowania
ERC-COG - Consolidator GrantInstytucja przyjmująca
4365 ESCH-SUR-ALZETTE
Luksemburg