Conditional independence testing, two sample comparison and density estimation using neural networks
Autor(a) principal: | |
---|---|
Data de Publicação: | 2020 |
Tipo de documento: | Tese |
Idioma: | eng |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da USP |
Texto Completo: | https://www.teses.usp.br/teses/disponiveis/104/104131/tde-21082020-094639/ |
Resumo: | Given the vast amount of data available nowadays and the rapid increase of computational processing power, the field of machine learning and the so called algorithmic modeling have seen a recent surge in its popularity and applicability. One of the tools which has attracted great popularity is artificial neural networks due, to among other things, their versatility, ability to capture complex relations and computational scalability. In this work, we therefore apply such machine learning tools into three important problems of Statistics: two-sample comparison, conditional independence testing and conditional density estimation. |
id |
USP_8d8b07676fbf2767326c10a30aa35737 |
---|---|
oai_identifier_str |
oai:teses.usp.br:tde-21082020-094639 |
network_acronym_str |
USP |
network_name_str |
Biblioteca Digital de Teses e Dissertações da USP |
repository_id_str |
2721 |
spelling |
Conditional independence testing, two sample comparison and density estimation using neural networksEstimação de densidades e medidas de importância usando redes neuraisAprendizado de máquinaArtificial neural networksComparação de populaçõesConditional density estimationConditional independence testingEstimação de densidade condicionalMachine learningRedes neurais artificiaisTeste de independência condicionalTwo-sample comparisonGiven the vast amount of data available nowadays and the rapid increase of computational processing power, the field of machine learning and the so called algorithmic modeling have seen a recent surge in its popularity and applicability. One of the tools which has attracted great popularity is artificial neural networks due, to among other things, their versatility, ability to capture complex relations and computational scalability. In this work, we therefore apply such machine learning tools into three important problems of Statistics: two-sample comparison, conditional independence testing and conditional density estimation.Dada a grande quantidade de dados disponíveis nos dias de hoje e o rápido aumento da capacidade de processamento computacional, o campo de aprendizado de máquina e a assim chamada modelagem algorítmica tem visto um grande surto de popularidade e aplicabilidade. Uma das ferramentas que atraíram grande popularidade são as redes neurais artificiais dada, entre outras coisas, sua versatilidade, habilidade de capturar relações complexas e sua escalabilidade computacional. Assim sendo, neste trabalho aplicamos estas ferramentas de aprendizado de máquina em três problemas importantes da Estatística: comparação de populações, teste de independência condicional e estimação de densidades condicionais.Biblioteca Digitais de Teses e Dissertações da USPIzbicki, RafaelInácio, Marco Henrique de Almeida2020-08-03info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/104/104131/tde-21082020-094639/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesseng2020-08-21T19:14:01Zoai:teses.usp.br:tde-21082020-094639Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212020-08-21T19:14:01Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false |
dc.title.none.fl_str_mv |
Conditional independence testing, two sample comparison and density estimation using neural networks Estimação de densidades e medidas de importância usando redes neurais |
title |
Conditional independence testing, two sample comparison and density estimation using neural networks |
spellingShingle |
Conditional independence testing, two sample comparison and density estimation using neural networks Inácio, Marco Henrique de Almeida Aprendizado de máquina Artificial neural networks Comparação de populações Conditional density estimation Conditional independence testing Estimação de densidade condicional Machine learning Redes neurais artificiais Teste de independência condicional Two-sample comparison |
title_short |
Conditional independence testing, two sample comparison and density estimation using neural networks |
title_full |
Conditional independence testing, two sample comparison and density estimation using neural networks |
title_fullStr |
Conditional independence testing, two sample comparison and density estimation using neural networks |
title_full_unstemmed |
Conditional independence testing, two sample comparison and density estimation using neural networks |
title_sort |
Conditional independence testing, two sample comparison and density estimation using neural networks |
author |
Inácio, Marco Henrique de Almeida |
author_facet |
Inácio, Marco Henrique de Almeida |
author_role |
author |
dc.contributor.none.fl_str_mv |
Izbicki, Rafael |
dc.contributor.author.fl_str_mv |
Inácio, Marco Henrique de Almeida |
dc.subject.por.fl_str_mv |
Aprendizado de máquina Artificial neural networks Comparação de populações Conditional density estimation Conditional independence testing Estimação de densidade condicional Machine learning Redes neurais artificiais Teste de independência condicional Two-sample comparison |
topic |
Aprendizado de máquina Artificial neural networks Comparação de populações Conditional density estimation Conditional independence testing Estimação de densidade condicional Machine learning Redes neurais artificiais Teste de independência condicional Two-sample comparison |
description |
Given the vast amount of data available nowadays and the rapid increase of computational processing power, the field of machine learning and the so called algorithmic modeling have seen a recent surge in its popularity and applicability. One of the tools which has attracted great popularity is artificial neural networks due, to among other things, their versatility, ability to capture complex relations and computational scalability. In this work, we therefore apply such machine learning tools into three important problems of Statistics: two-sample comparison, conditional independence testing and conditional density estimation. |
publishDate |
2020 |
dc.date.none.fl_str_mv |
2020-08-03 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://www.teses.usp.br/teses/disponiveis/104/104131/tde-21082020-094639/ |
url |
https://www.teses.usp.br/teses/disponiveis/104/104131/tde-21082020-094639/ |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.relation.none.fl_str_mv |
|
dc.rights.driver.fl_str_mv |
Liberar o conteúdo para acesso público. info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Liberar o conteúdo para acesso público. |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.coverage.none.fl_str_mv |
|
dc.publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
publisher.none.fl_str_mv |
Biblioteca Digitais de Teses e Dissertações da USP |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da USP instname:Universidade de São Paulo (USP) instacron:USP |
instname_str |
Universidade de São Paulo (USP) |
instacron_str |
USP |
institution |
USP |
reponame_str |
Biblioteca Digital de Teses e Dissertações da USP |
collection |
Biblioteca Digital de Teses e Dissertações da USP |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP) |
repository.mail.fl_str_mv |
virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br |
_version_ |
1815257247052201984 |