Descrizione del progetto
Aggiornamento degli approcci alla probabilità condizionata
Il teorema di Bayes, sviluppato nel XVIII secolo, descrive la probabilità condizionata, ovvero la probabilità che un risultato si verifichi sulla base di un risultato precedente. I cosiddetti metodi bayesiani di probabilità e statistica sono sempre più utilizzati in molte aree della ricerca di base e applicata. Gli approcci bayesiani assegnano distribuzioni di probabilità piuttosto che numeri discreti a eventi o risultati sulla base di osservazioni precedenti. Intrinsecamente, includono distribuzioni di probabilità e incertezza associate sia agli input che agli output. Poiché i dati disponibili con cui sviluppare i modelli aumentano in modo esponenziale, sono necessari metodi più semplici e scalabili. Il progetto GTBB, finanziato dall’UE, affronterà queste sfide teoriche e computazionali per migliorare le nostre capacità predittive in più campi, dalla neuroscienza alla sicurezza.
Obiettivo
In the modern era of complex and large data sets, there is stringent need for flexible, sound and scalable inferential methods to analyse them. Bayesian approaches have been increasingly used in statistics and machine learning and in all sorts of applications such as biostatistics, astrophysics, social science etc. Major advantages of Bayesian approaches are: their ability to model complex models in a hierarchical way, their coherency and ability to deliver not only point estimators but also measures of uncertainty from the posterior distribution which is a probability distribution on the parameter space at the core of all Bayesian inference. The increasing complexity of the data sets raise huge challenges for Bayesian approaches: theoretical and computational. The aim of this project is to develop a general theory for the analysis of Bayesian methods in complex and high (or infinite) dimensional models which will cover not only fine understanding of the posterior distributions but also an analysis of the output of the algorithms used to implement the approaches.
The main objectives of the project are (briefly):
1. Asymptotic analysis of the posterior distribution of complex high dimensional models
2. Interactions between the asymptotic theory of high dimensional posterior distributions and computational complexity.
We will also enrich these theoretical developments by 3 strongly related domains of applications, namely neuroscience, terrorism and crimes and ecology.
Campo scientifico
- natural sciencesbiological sciencesneurobiology
- natural sciencesmathematicsapplied mathematicsstatistics and probabilitybayesian statistics
- natural sciencesbiological sciencesecology
- natural sciencesphysical sciencesastronomyastrophysics
- natural sciencescomputer and information sciencesartificial intelligencemachine learning
Programma(i)
Argomento(i)
Meccanismo di finanziamento
ERC-ADG - Advanced GrantIstituzione ospitante
75775 Paris
Francia