CAREER: Robust and Efficient Algorithms for Statistical Estimation and Inference

职业:用于统计估计和推理的稳健且高效的算法

基本信息

  • 批准号:
    2045068
  • 负责人:
  • 金额:
    $ 40万
  • 依托单位:
  • 依托单位国家:
    美国
  • 项目类别:
    Continuing Grant
  • 财政年份:
    2021
  • 资助国家:
    美国
  • 起止时间:
    2021-07-01 至 2026-06-30
  • 项目状态:
    未结题

项目摘要

Statistical and machine learning methods are useful for making data-driven decisions. These methods are particularly advantageous in the presence of uncertainty originating from measurement errors or randomness inherent to the data collection process itself. The principal investigator (PI) will pursue a research program to develop statistical and machine learning methods possessing two important characteristics, robustness and efficiency. Robust algorithms are characterized by their ability to perform well even when some of the data are not accurate and clean but instead are "outliers," such as completely irrelevant or grossly corrupted measurements. Robust techniques can help to reduce the amount of resources spent on human-supervised data cleaning and preprocessing. On the other hand, methods that are efficient are able to extract most of the useful information contained in the data, therefore reducing the amount of uncertainty in the data-guided decision. This research program will be integrated with educational activities that, among other things, will expose undergraduate and graduate students to cutting edge approaches in statistics and machine learning, and give students an opportunity to serve as individual tutors and mentors at local K-12 schools.One part of the research program is devoted to investigation of the connections between self-normalized sums and robust statistical techniques. In particular, the PI will demonstrate that, unlike many existing approaches, algorithms based on the self-normalized sums often give rise to efficient methods, for instance in the context of univariate and multivariate mean estimation. Analysis of such algorithms is closely related to the theory self-normalized processes. Another part of the research focuses on the asymptotic properties of U-statistics of growing order, and the implications of these properties for robust and efficient empirical risk minimization (ERM), one of the key principles underlying modern mathematical statistics and machine learning algorithms. The PI will introduce a new approach to robust ERM and will relate questions about efficiency of resulting algorithms to purely mathematical questions in the theory of U-statistics. Finally, the research will address uncertainly quantification in robust statistics using Bayesian methods. Specifically, the PI aims to develop new robust analogues of the standard posterior distribution based on U-statistics of growing order, and will investigate the asymptotic behavior of these robust posteriors as well as the asymptotic frequentist properties of the corresponding credible sets.This award reflects NSF's statutory mission and has been deemed worthy of support through evaluation using the Foundation's intellectual merit and broader impacts review criteria.
统计和机器学习方法对于做出数据驱动的决策很有用。在存在数据收集过程本身固有的测量误差或随机性的情况下,这些方法尤其有利。首席研究员(PI)将遵循一项研究计划,以开发具有两个重要特征,鲁棒性和效率的统计和机器学习方法。强大的算法的特征是它们的表现能力即使某些数据不准确和清洁,但是“离群值”,例如完全无关紧要或严重损坏的测量值。强大的技术可以帮助减少在人类监督数据清洁和预处理上花费的资源数量。另一方面,有效的方法能够提取数据中包含的大多数有用信息,从而减少了数据引导决策中的不确定性数量。该研究计划将与教育活动融合,除其他外,这些活动将使本科生和研究生在统计和机器学习方面采用最先进的方法,并为学生提供一个在本地K-12学校的个人导师和导师的机会。研究计划的一部分致力于研究自我分类的总和和强大的统计技术之间的联系。特别是,PI将证明,与许多现有的方法不同,基于自称的总和通常会产生有效的方法,例如在单变量和多变量平均值估计的背景下,算法通常会产生有效的方法。这种算法的分析与理论自相应过程密切相关。研究的另一部分侧重于增长秩序的U统计量的渐近性质,以及这些特性对可靠和有效的经验风险最小化(ERM)的含义,这是现代数学统计和机器学习算法的基本关键原则之一。 PI将引入一种新的方法来进行鲁棒性ERM,并将有关导致算法的效率与U统计理论中的纯粹数学问题联系起来。最后,该研究将使用贝叶斯方法解决鲁棒统计数据中不确定的量化。具体而言,PI旨在基于增长的秩序的U统计数据来开发标准后部分布的新的鲁棒类似物,并将调查这些可靠的稳定后代的渐近行为以及相应可靠的集合的渐近频繁属性的渐近性频繁属性。这些奖项是NSF的法定任务,反映了通过评估的范围的范围,这是由构成构成的范围及其范围的范围。

项目成果

期刊论文数量(6)
专著数量(0)
科研奖励数量(0)
会议论文数量(0)
专利数量(0)
The Geometric Median and Applications to Robust Mean Estimation
  • DOI:
    10.1137/23m1592420
  • 发表时间:
    2023-07
  • 期刊:
  • 影响因子:
    0
  • 作者:
    Stanislav Minsker;Nate Strawn
  • 通讯作者:
    Stanislav Minsker;Nate Strawn
Robust and Tuning-Free Sparse Linear Regression via Square-Root Slope
通过平方根斜率实现鲁棒且免调整的稀疏线性回归
  • DOI:
  • 发表时间:
    2022
  • 期刊:
  • 影响因子:
    0
  • 作者:
    Minsker, S;. Ndaoud, M.;Wang, W.
  • 通讯作者:
    Wang, W.
U-statistics of growing order and sub-Gaussian mean estimators with sharp constants
具有尖锐常数的增长阶 U 统计量和亚高斯均值估计量
Robust Estimation of Covariance Matrices: Adversarial Contamination and Beyond
协方差矩阵的稳健估计:对抗性污染及其他
  • DOI:
  • 发表时间:
    2024
  • 期刊:
  • 影响因子:
    1.4
  • 作者:
    Minsker, Stanislav;Wang, Lang
  • 通讯作者:
    Wang, Lang
Median of Means Principle for Bayesian Inference
贝叶斯推理的均值中值原则
  • DOI:
  • 发表时间:
    2022
  • 期刊:
  • 影响因子:
    0
  • 作者:
    Minsker, S;Yao, S.
  • 通讯作者:
    Yao, S.
{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi }}
  • 发表时间:
    {{ item.publish_year }}
  • 期刊:
  • 影响因子:
    {{ item.factor }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.author }}

数据更新时间:{{ monograph.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.author }}

数据更新时间:{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.author }}

数据更新时间:{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.author }}

数据更新时间:{{ patent.updateTime }}

Stanislav Minsker其他文献

Sub-Gaussian estimators of the mean of a random matrix with heavy-tailed entries
  • DOI:
    10.1214/17-aos1642
  • 发表时间:
    2016-05
  • 期刊:
  • 影响因子:
    0
  • 作者:
    Stanislav Minsker
  • 通讯作者:
    Stanislav Minsker
On Some Extensions of Bernstein's Inequality for Self-adjoint Operators
  • DOI:
    10.1016/j.spl.2017.03.020
  • 发表时间:
    2011-12
  • 期刊:
  • 影响因子:
    0
  • 作者:
    Stanislav Minsker
  • 通讯作者:
    Stanislav Minsker
Robust Modifications of U-statistics and Applications to Covariance Estimation Problems
U 统计量的鲁棒修正及其在协方差估计问题中的应用
  • DOI:
  • 发表时间:
  • 期刊:
  • 影响因子:
    0
  • 作者:
    Stanislav Minsker;Xiaohan Wei
  • 通讯作者:
    Xiaohan Wei
Non-asymptotic bounds for prediction problems and density estimation
预测问题和密度估计的非渐近界限
  • DOI:
  • 发表时间:
    2012
  • 期刊:
  • 影响因子:
    0
  • 作者:
    Stanislav Minsker
  • 通讯作者:
    Stanislav Minsker
Plug-in Approach to Active Learning
主动学习的插件方法
  • DOI:
    10.5555/2503308.2188388
  • 发表时间:
    2011
  • 期刊:
  • 影响因子:
    0
  • 作者:
    Stanislav Minsker
  • 通讯作者:
    Stanislav Minsker

Stanislav Minsker的其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi }}
  • 发表时间:
    {{ item.publish_year }}
  • 期刊:
  • 影响因子:
    {{ item.factor }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

{{ truncateString('Stanislav Minsker', 18)}}的其他基金

CIF: Small: Towards Robust Statistical Learning: Theory and Algorithms
CIF:小:迈向稳健的统计学习:理论和算法
  • 批准号:
    1908905
  • 财政年份:
    2019
  • 资助金额:
    $ 40万
  • 项目类别:
    Standard Grant
Bridging the Gap Between Theory and Applications: Robust and Scalable Statistical Estimation
弥合理论与应用之间的差距:稳健且可扩展的统计估计
  • 批准号:
    1712956
  • 财政年份:
    2017
  • 资助金额:
    $ 40万
  • 项目类别:
    Standard Grant

相似国自然基金

强壮前沟藻共生细菌降解膦酸酯产生促藻效应的分子机制
  • 批准号:
    42306167
  • 批准年份:
    2023
  • 资助金额:
    30 万元
  • 项目类别:
    青年科学基金项目
高效率强壮消息鉴别码的分析与设计
  • 批准号:
    61202422
  • 批准年份:
    2012
  • 资助金额:
    23.0 万元
  • 项目类别:
    青年科学基金项目
半定松弛与非凸二次约束二次规划研究
  • 批准号:
    11271243
  • 批准年份:
    2012
  • 资助金额:
    60.0 万元
  • 项目类别:
    面上项目
基于复合编码脉冲串的水下主动隐蔽性探测新方法研究
  • 批准号:
    61271414
  • 批准年份:
    2012
  • 资助金额:
    60.0 万元
  • 项目类别:
    面上项目
民航客运网络收益管理若干问题的研究
  • 批准号:
    60776817
  • 批准年份:
    2007
  • 资助金额:
    20.0 万元
  • 项目类别:
    联合基金项目

相似海外基金

CAREER: Unary Computing in Memory for Fast, Robust and Energy-Efficient Processing
职业:内存中的一元计算,实现快速、稳健和节能的处理
  • 批准号:
    2339701
  • 财政年份:
    2024
  • 资助金额:
    $ 40万
  • 项目类别:
    Continuing Grant
CAREER: Exploring Mixed-Signal Computation for Energy-Efficient and Robust Brain-Machine Interfaces
职业:探索节能且鲁棒的脑机接口的混合信号计算
  • 批准号:
    2338159
  • 财政年份:
    2024
  • 资助金额:
    $ 40万
  • 项目类别:
    Continuing Grant
CAREER: New data integration approaches for efficient and robust meta-estimation, model fusion and transfer learning
职业:新的数据集成方法,用于高效、稳健的元估计、模型融合和迁移学习
  • 批准号:
    2337943
  • 财政年份:
    2024
  • 资助金额:
    $ 40万
  • 项目类别:
    Continuing Grant
CAREER: Efficient, Dynamic, Robust, and On-Device Continual Deep Learning with Non-Volatile Memory based In-Memory Computing System
职业:使用基于非易失性内存的内存计算系统进行高效、动态、鲁棒、设备上持续深度学习
  • 批准号:
    2342726
  • 财政年份:
    2023
  • 资助金额:
    $ 40万
  • 项目类别:
    Continuing Grant
CAREER: Engineering Ultra-Wide Bandgap III-Nitride Devices for Highly Efficient and Robust Electronics
职业:设计超宽带隙 III 族氮化物器件,实现高效、稳健的电子产品
  • 批准号:
    2145340
  • 财政年份:
    2022
  • 资助金额:
    $ 40万
  • 项目类别:
    Continuing Grant
{{ showInfoDetail.title }}

作者:{{ showInfoDetail.author }}

知道了