Počet záznamů: 1
On Robust Training of Regression Neural Networks
- 1.
SYSNO ASEP 0525292 Druh ASEP C - Konferenční příspěvek (mezinárodní konf.) Zařazení RIV D - Článek ve sborníku Název On Robust Training of Regression Neural Networks Tvůrce(i) Kalina, Jan (UIVT-O) RID, SAI, ORCID
Vidnerová, Petra (UIVT-O) RID, SAI, ORCIDZdroj.dok. Functional and High-Dimensional Statistics and Related Fields. - Cham : Springer, 2020 / Aneiros G. ; Horová I. ; Hušková M. ; Vieu P. - ISSN 1431-1968 - ISBN 978-3-030-47755-4 Rozsah stran s. 145-152 Poč.str. 8 s. Forma vydání Tištěná - P Akce IWFOS 2020/2021: International Workshop on Functional and Operatorial Statistics /5./ Datum konání 23.06.2021 - 25.06.2021 Místo konání Online Země CZ - Česká republika Typ akce WRD Jazyk dok. eng - angličtina Země vyd. CH - Švýcarsko Klíč. slova Neural networks ; Nonlinear regression ; Nonlinear quantiles ; Robustness ; Optimization Vědní obor RIV IN - Informatika Obor OECD Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8) CEP GA19-05704S GA ČR - Grantová agentura ČR GA18-23827S GA ČR - Grantová agentura ČR Institucionální podpora UIVT-O - RVO:67985807 DOI 10.1007/978-3-030-47756-1_20 Anotace Estimation, prediction or smoothing of curves represents a fundamental task of functional data analysis. Nonlinear regression methods allow to search for the best-fit curves explaining the dependence of a response variable on available independent variables. Neural networks, commonly used for the task of nonlinear regression, are however highly vulnerable to the presence of outlying measurements in the data. New robust versions of common types of neural networks, namely multilayer perceptrons and radial basis function networks, are proposed here based on nonlinear regression quantiles or highly robust loss functions. Three datasets are analyzed to illustrate the performance of the novel robust approaches, which turn out to outperform standard neural networks or other competing regression tools over contaminated data. Pracoviště Ústav informatiky Kontakt Tereza Šírová, sirova@cs.cas.cz, Tel.: 266 053 800 Rok sběru 2021
Počet záznamů: 1