Modellbasierte Feature Extraction und Regularisierung in hochdimensionalen Strukturen

点击翻译按钮获取中文摘要

Statistische Modellierung mit hochdimensionalen Datenstrukturen erfordert die Entwicklung geeigneter Methoden der Dimensionsreduktion. Reduktionstechniken sollten insbesondere zwei Zielvorgaben gerecht werden: der Verbesserung der Prognosegenauigkeit und der Interpretierbarkeit. Prognoseverfahren, die nur als Black-Box angelegt sind, sind unter dem Aspekt statistischer Modellierung unbefriedigend, da unklar bleibt, welche Strukturen für die Prognose wirksam werden. Statistische Modellierung zielt darüber hinaus immer darauf ab, relevante Datenstrukturen zu identifizieren und zu interpretieren. Ziel des Projekts ist die Entwicklung von Methoden zur Identifikation von Wirkungskomponenten (,Feature Extraction‘) auf der Grundlage semiparametrischer Modellierungsansätze. Die Identifikation der wirkungsrelevanten Strukturen sollte beiden Zielvorgaben, Interpretierbarkeit und Prognosegenauigkeit, gerecht werden.