Flexible and skalierbare funktionale Regressionsmodelle mithilfe neuronaler Netzwerke

• Antragsteller: Professor Dr. David Rügamer
• Fachliche Zuordnung: Statistik und Ökonometrie ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 548823575

Die heutigen Herausforderungen der statistischen Modellierung umfassen Millionen von Datenpunkten mit heterogen strukturierten Datenquellen, datengetriebenen Hypothesen und einer beispiellosen Komplexität von Daten generierenden Prozessen, die statistische Modelle ausdrücken müssen. Insbesondere im Zeitalter der Digitalisierung wird die Forschung an neuronalen Netzwerken immer wichtiger, und die Integration statistischer Modelle mit Ansätzen aus dem Deep Learning bietet eine vielversprechende und wenig erforschte Perspektive, um vielfältige und oft hochkomplexe Modellierungsaufgaben anzugehen. Dieses Projekt zielt darauf ab, die Lücke zwischen konventioneller statistischer Regression und neuronalen Netzwerken zu überbrücken, indem innovative statistische Modellierungstechniken entwickelt werden, die in neuronalen Netzwerken eingebettet und optimiert sind. Motiviert durch Anwendungen in der Biomechanikforschung, strebt dieser Vorschlag an: 1) eine neuronale Implementierung von funktionalen Regressionsmodellen einzuführen; 2) ein Konzept für das Erreichen von Sparsamkeit in neuronalen additiven Modellen durch Optimierungstransfer zu entwickeln; und 3) diese Ansätze zu integrieren, um ein skalierbares funktionales Regressionsmodell zu schaffen, das Sparsamkeit gewährleistet und für Anwendungen mit einer Vielzahl an Beobachtungen und funktionalen Prädiktoren geeignet ist.

• DFG-Verfahren: Sachbeihilfen