Opis projektu
Aktualizacja metod korzystających z prawdopodobieństwa warunkowego
Twierdzenie Bayesa podane w XVIII wieku opisuje prawdopodobieństwo warunkowe, czyli pozwala określać szanse uzyskania określonego wyniku na podstawie wcześniejszego wyniku zdarzenia losowego. Tak zwane metody bayesowskie stosowane w prawdopodobieństwie i statystyce znajdują coraz częściej zastosowanie w wielu dziedzinach badań podstawowych i stosowanych. Podejścia bayesowskie pozwalają przypisywać zdarzeniom lub wynikom raczej pewien rozkład prawdopodobieństwa, bazując na wcześniejszych obserwacjach, niż konkretne wartości dyskretne. W ten sposób niejako z definicji uwzględniają rozkłady prawdopodobieństwa i niepewność związaną zarówno z danymi wejściowymi, jak i wyjściowymi. Ponieważ ilość danych, na podstawie których tworzymy modele, rośnie wykładniczo, potrzebujemy prostszych i bardziej skalowalnych metod. Finansowany ze środków UE projekt GTBB zajmie się związanymi z tym wyzwaniami teoretycznymi i obliczeniowymi, co powinno zwiększyć możliwości predykcyjne w dziedzinach od neuronauki po bezpieczeństwo.
Cel
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.
Dziedzina nauki
- natural sciencesbiological sciencesneurobiology
- natural sciencesmathematicsapplied mathematicsstatistics and probabilitybayesian statistics
- natural sciencesbiological sciencesecology
- natural sciencesphysical sciencesastronomyastrophysics
- natural sciencescomputer and information sciencesartificial intelligencemachine learning
Program(-y)
Temat(-y)
System finansowania
ERC-ADG - Advanced GrantInstytucja przyjmująca
75775 Paris
Francja