Skip to main content
Vai all'homepage della Commissione europea (si apre in una nuova finestra)
italiano it
CORDIS - Risultati della ricerca dell’UE
CORDIS

Graphical Models for Complex Multivariate Data

Descrizione del progetto

Un metodo statistico migliorato per l’analisi dei dati multivariata

I moderni esperimenti scientifici producono spesso dati che richiedono l’analisi di due o più variabili per osservazione. Il progetto GRAPHMODE, finanziato dall’UE, intende sviluppare metodi efficienti per l’analisi statistica di tali dati. Per il loro studio, i ricercatori si affideranno a modelli grafici probabilistici che esprimono la struttura di dipendenza condizionale tra le variabili casuali. Questi modelli rappresentano l’approccio d’avanguardia per l’analisi dettagliata delle relazioni causa-effetto. Il progetto presterà particolare attenzione a questioni algebriche e statistiche correlate a variabili latenti (non misurate) e a circuiti di retroazione in modelli grafici.

Obiettivo

Modern science increasingly relies on insights gained from sophisticated analyses of large data sets. An ambitious goal of such data-driven discovery is to understand complex systems via statistical analysis of multivariate data on the activity of their interacting units. Probabilistic graphical models, the topic of this project, are tailored to the task. The models facilitate refined yet tractable data exploration by using graphs to represent complex stochastic dependencies between considered variables. Models based on directed graphs, in particular, provide the state-of-the-art approach for detailed exploration of cause-effect relationships. However, modern applications of graphical models face numerous challenges such as key variables being latent (i.e. unobservable/unobserved), lacking temporal resolution in studies of feedback loops, and limited experimental interventions. Often arising in combination, these issues generally result in observed stochastic structure that cannot be characterized using the established notion of conditional independence. As a result, we are left with only a partial understanding of which aspects of a system can be inferred from the available data, and we lack effective methods for fundamental problems such as inference in the presence of feedback loops. The aim of the new project is to move beyond conditional independence structure to obtain a deeper understanding of the inherent limitations on what can be inferred from imperfect measurements, and to design novel statistical methodology to infer estimable quantities. The unique feature of the proposed work is a focus on algebraic relations among moments of probability distributions and the subtle statistical issues arising when such relations are to be exploited in practical methodology.

Campo scientifico (EuroSciVoc)

Questo progetto non è ancora stato classificato con EuroSciVoc.
Suggerisci i campi scientifici che ritieni più rilevanti e aiutaci a migliorare il nostro servizio di classificazione.

Parole chiave

Programma(i)

Argomento(i)

Meccanismo di finanziamento

ERC-ADG - Advanced Grant

Vedi tutti i progetti finanziati nell’ambito di questo schema di finanziamento

Invito a presentare proposte

(si apre in una nuova finestra) ERC-2019-ADG

Vedi tutti i progetti finanziati nell’ambito del bando

Istituzione ospitante

TECHNISCHE UNIVERSITAET MUENCHEN
Contributo netto dell'UE
€ 1 971 296,00
Indirizzo
Arcisstrasse 21
80333 Muenchen
Germania
Regione
Bayern Oberbayern München, Kreisfreie Stadt
Tipo di attività
Higher or Secondary Education Establishments
Collegamenti
Costo totale
€ 1 971 296,00

Beneficiari (1)