Robust interquantile training of neural networks

0518369 - ÚI 2020 RIV CZ eng L4 - Software
Jurica, Tomáš - Vidnerová, Petra - Kalina, Jan
Robust interquantile training of neural networks.
Interní kód: Quantile 1.0 ; 2019
Technické parametry: Kód v Pythonu je samostatně spustitelný, vyžaduje instalaci TensorFlow, Keras, SciPy, NumPy, scikit-learn. Spuštění kódu je přímočaré podle dokumentace. Dostupné pod licencí MIT.
Ekonomické parametry: Software umožňuje uživateli provést alternativní trénování neuronových sítí, které je robustní vůči odlehlým hodnotám. Jde dosud o první takovou implementaci, která je dostupná. Software výrazně usnadňuje práci s neuronovými sítěmi, protože provádět jejich trénování nezávisle na přítomnosti odlehlých hodnot by jinak vyžadovalo značně komplikované a zdlouhavé postupy.
Grant CEP: GA ČR(CZ) GA19-05704S; GA TA ČR(CZ) TN01000024
Institucionální podpora: RVO:67985807
Klíčová slova: neural network * regression * robustness * outliers
Obor OECD: Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
https://github.com/jankalinaUI/Quantile

Standard types of artificial neural networks commonly used for the regression task are known to be highly vulnerable to the presence of outliers in the data. The software performs robust training of multilayer perceptrons or radial basis function networks by means of quantiles, which are themselves trained by means of the same type of neural networks. Also the quantiles may be applied as stand-alone tools applicable to regression tasks, especially under heteroscedastic errors. The novel method considers the regression task only with measurements between two given quantiles, i.e.~between a lower and upper quantile, and trims away all remaining measurements. The performance was tested over real and simulated datasets.
Trvalý link: http://hdl.handle.net/11104/0303525


Vědecká data: Github.com