Tässä projektissa kehitetään data-analytiikan menetelmiä, jotka samanaikaisesti (i) kykenevät mallintamaan epälineaarisia riippuvuusrakenteita ja (ii) sietävät suuria määriä kontaminoitua ja virheellistä dataa (ominaisuus, jota kutsutaan robustisuudeksi). Molemmat ominaisuudet ovat keskeisessä osassa nykypäivänä kohdattavien monimutkaisten aineistojen analysoinnissa. Projektin pääpaino on erilaisten sijainnin ja hajonnan mittarien kehittämisessä ja niiden käyttämisessä robustien epälineaaristen dimensionpienennysmenetelmien luomiseen. Kehitettyjä menetelmiä arvioidaan sekä teoreettisesti että niiden käytännön tehokkuuden kautta.

2022

2027