host ::
| Hlavní stránka > Konferenční materiály > Příspěvky z konference > Some Robust Distances for Multivariate Data |
Název:
Some Robust Distances for Multivariate Data
Autoři: Kalina, Jan ; Peštová, Barbora
Typ dokumentu: Příspěvky z konference
Konference/Akce: MME 2016. International Conference Mathematical Methods in Economics /34./, Liberec (CZ), 2016-09-06 / 2016-09-09
Rok: 2016
Jazyk: eng
Abstrakt: Numerous methods of multivariate statistics and data mining suffer from the presence of outlying measurements in the data. This paper presents new distance measures suitable for continuous data. First, we consider a Mahalanobis distance suitable for high-dimensional data with the number of variables (largely) exceeding the number of observations. We propose its doubly regularized version, which combines a regularization of the covariance matrix with replacing the means of multivariate data by their regularized counterparts. We formulate explicit expressions for some versions of the regularization of the means, which can be interpreted as a denoising (i.e. robust version) of standard means. Further, we propose a robust cosine similarity measure, which is based on implicit weighting of individual observations. We derive properties of the newly proposed robust cosine similarity, which includes a proof of the high robustness in terms of the breakdown point.
Klíčová slova: distance measures; high dimension; multivariate data; regularization; robustness
Číslo projektu: GA13-01930S (CEP)
Poskytovatel projektu: GA ČR
Zdrojový dokument: Proceedings of the 34th International Conference Mathematical Methods in Economics MME 2016, ISBN 978-80-7494-296-9
Poznámka: Související webová stránka: http://mme2016.tul.cz/conferenceproceedings/mme2016_conference_proceedings.pdf#page=377
Instituce: Ústav informatiky AV ČR (web)
Informace o dostupnosti dokumentu: Dokument je dostupný na vyžádání prostřednictvím repozitáře Akademie věd.
Původní záznam: http://hdl.handle.net/11104/0262275
Trvalý odkaz NUŠL: http://www.nusl.cz/ntk/nusl-260853
Záznam je zařazen do těchto sbírek:
Věda a výzkum > AV ČR > Ústav informatiky
Konferenční materiály > Příspěvky z konference
Autoři: Kalina, Jan ; Peštová, Barbora
Typ dokumentu: Příspěvky z konference
Konference/Akce: MME 2016. International Conference Mathematical Methods in Economics /34./, Liberec (CZ), 2016-09-06 / 2016-09-09
Rok: 2016
Jazyk: eng
Abstrakt: Numerous methods of multivariate statistics and data mining suffer from the presence of outlying measurements in the data. This paper presents new distance measures suitable for continuous data. First, we consider a Mahalanobis distance suitable for high-dimensional data with the number of variables (largely) exceeding the number of observations. We propose its doubly regularized version, which combines a regularization of the covariance matrix with replacing the means of multivariate data by their regularized counterparts. We formulate explicit expressions for some versions of the regularization of the means, which can be interpreted as a denoising (i.e. robust version) of standard means. Further, we propose a robust cosine similarity measure, which is based on implicit weighting of individual observations. We derive properties of the newly proposed robust cosine similarity, which includes a proof of the high robustness in terms of the breakdown point.
Klíčová slova: distance measures; high dimension; multivariate data; regularization; robustness
Číslo projektu: GA13-01930S (CEP)
Poskytovatel projektu: GA ČR
Zdrojový dokument: Proceedings of the 34th International Conference Mathematical Methods in Economics MME 2016, ISBN 978-80-7494-296-9
Poznámka: Související webová stránka: http://mme2016.tul.cz/conferenceproceedings/mme2016_conference_proceedings.pdf#page=377
Instituce: Ústav informatiky AV ČR (web)
Informace o dostupnosti dokumentu: Dokument je dostupný na vyžádání prostřednictvím repozitáře Akademie věd.
Původní záznam: http://hdl.handle.net/11104/0262275
Trvalý odkaz NUŠL: http://www.nusl.cz/ntk/nusl-260853
Záznam je zařazen do těchto sbírek:
Věda a výzkum > AV ČR > Ústav informatiky
Konferenční materiály > Příspěvky z konference
Záznam vytvořen dne 2016-09-29, naposledy upraven 2023-12-06.