Ein allgemeines Gerüst für graphische Modelle
Zusammenfassung der Projektergebnisse
Grafische Modelle sind zu einem beliebten Instrument für die Beschreibung von Abhängigkeitsnetzen geworden. Ein großer Vorteil dieser Modelle ist die grafische Darstellung der Abhängigkeiten, die sehr leicht verstanden und interpretiert werden kann. Die Forschung zu grafischen Modellen hat sich bisher jedoch auf eine begrenzte Auswahl von Verteilungen konzentriert, wie z. B. Gauß- oder Ising-Daten. Ein allgemeiner Ansatz für grafische Modelle, insbesondere in hochdimensionalen Umgebungen, fehlt. Obwohl in diesem Projekt noch kein vollständig zufriedenstellender Ansatz geschaffen werden konnte, wurden drei wichtige Beiträge geleistet: eine komplette, auf grafischen Modellen basierende Methode für die Auswahl der Tiefennormalisierung in der Genomik, ein neuartiger Ansatz für die Kalibrierung von Regularisierungsparametern und Theorien für verschachtelte Regularisierer.
Projektbezogene Publikationen (Auswahl)
-
Tuning parameter calibration for personalized prediction in medicine. Electronic Journal of Statistics, 15(2).
Huang, Shih-Ting; Düren, Yannick; Hellton, Kristoffer H. & Lederer, Johannes
-
Depth normalization of small RNA sequencing: using data and biology to select a suitable method. Nucleic Acids Research, 50(10), e56-e56.
Düren, Yannick; Lederer, Johannes & Qin, Li-Xuan
-
Lag selection and estimation of stable parameters for multiple autoregressive processes through convex programming.
Somnath Chakraborty, Johannes Lederer & Rainer von Sachs
