Notícias Notícias

Voltar

Pós em Estatística da UFPE volta a promover ciclo de seminários, mas de forma on-line

Primeira palestra contará com fala de Rafael Izbicki, da UFSCar

O Programa de Pós-Graduação em Estatística retornará com seu ciclo de seminários, mas, devido à pandemia de Covid-19, será on-line. A primeira apresentação será feita por Rafael Izbicki, da Universidade Federal de São Carlos (UFSCar). Ele falará sobre o tema “Flexible distribution-free conditional predictive bands”, amanhã (17), com transmissão direta via Google Meets. Mais informações sobre o ciclo de seminários, como horários, temas e resumos, serão publicadas diretamente no site do especial do evento. 

Rafael é bacharel e mestre em Estatística pela Universidade de São Paulo e PhD em Estatística pela Carnegie Mellon University (2014). Atualmente, é professor da UFSCar. Tem experiência na área de Probabilidade e Estatística, com ênfase em Machine Learning (aprendizado de máquina), Bioestatística, Astroestatística, Fundamentos da Estatística, Inferência Bayesiana, Inferência Não Paramétrica e Inferência em Dados com Alta Dimensionalidade.

Resumo em inglês: Conformal methods create prediction bands that control average coverage assuming solely i.i.d. data. Besides average coverage, one might also desire to control conditional coverage, that is, coverage for every new testing point. However, without strong assumptions, conditional coverage is unachievable. Given this limitation, the literature has focused on methods with asymptotic conditional coverage. In order to obtain this property, these methods require strong conditions on the dependence between the target variable and the features. We introduce two conformal methods based on conditional density estimators that do not depend on this type of assumption to obtain asymptotic conditional coverage: Dist-split and CD-split. While Dist-split asymptotically obtains optimal intervals, which are easier to interpret than general regions, CD-split obtains optimal size regions, which are smaller than intervals. CD-split also obtains local coverage by creating prediction bands locally on a partition of the features space. This partition is data-driven and scales to high-dimensional settings. In a wide variety of simulated scenarios, our methods have better control of conditional coverage and have a smaller length than previously proposed methods.

Mais informações
Programa de Pós-Graduação em Estatística
Pablo Martin Rodriguez 

pablo@de.ufpe.br

Data da última modificação: 16/06/2020, 16:40