Teilnahme an der International Conference on Computational Statistics 2024
Alexandra Daub hat einen Ansatz vorgestellt, wie Gradientenboostingverfahren für GAMLSS-Modelle durch adaptive Schrittlängen verbessert werden können. Ihre Methode, die auf der Idee basiert, ein Gleichgewicht zwischen den einzelnen Base-Learnern herzustellen, zeigt sowohl in simulierten als auch in realen Datensätzen vielversprechende Ergebnisse. Ein preprint wurde Anfang des Jahres veröffentlicht.
Anna von Plessen präsentierte ihre Arbeit, die sich mit Magnetoenzephalographie (MEG)-Daten von Gehirnwellen beschäftigt. Sie entwickelt ein Konzept zur verbesserten Verarbeitung dieser hochdimensionalen Daten, wobei sie Methoden wie Gradient Boosting und funktionale Regression einsetzt. Im Rahmen ihres Vortrags zeigte sie zudem eine von ihr entwickelte R Shiny Applikation zur Visualisierung von MEG-Daten.
Colin Griesbach hielt einen Vortrag zu modellbasierten Gradientenboostingverfahren für GAMLSS-Modelle. In diesem Kontext entwickelte er eine Methode zur Verbesserung der Schätzung von Random Effects. In seinem Vortrag präsentierte er die Ergebnisse dieser Methode anhand von Daten von Mukoviszidosepatient*innen.
Marisa Lange arbeitet ebenfalls mit Daten von Mukoviszidosepatient*innen. In ihrem Vortrag gab sie einen detaillierten Einblick in die Struktur und Besonderheiten der Daten und präsentierte Modellierungsansätze mithilfe von Gradient Boosting. Ein besonderer Fokus ihrer Arbeit liegt dabei auf der Verarbeitung der räumlichen Informationen in den Daten.
Dr. Colin Griesbach eröffnete die Konferenz mit seinem Vortrag zu modellbasierten Gradientenboostingverfahren für GAMLSS Modelle, welche auf Daten von Mukoviszidosepatient*innen angewendet wurden. Der Konferenzartikel ist im Sammelband der Konferenz erschienen.
Lars Knieper hielt einen Vortrag zum Phänomen von spatial confounding welches im modellbasierten Gradientenboosting mithilfe des Lösungsvorschlags von spatial+ behoben werden kann. Seinen Ansatz illustrierte er anhand von AirBnB-Daten. Der dazugehörige Kurzartikel ist bei Springer erschienen.
Quentin Seiferts Beitrag mit dem Titel „Function-on-scalar regression via first-order gradient-based optimization” verbindet die klassische Statistik mit Elementen aus Neuronalen Netzwerken und ermöglichte es, eine große Menge von Parkplatzdaten während der Coronapandemie zu analysieren und Muster im Einkaufsverhalten zu identifizieren.
Auch Dr. Joaquin Cavieres präsentierte einen Teil seiner Forschung, in welcher approximierte Gaussian Random Fields mit unterschiedlichen Parametrisierungen verglichen wurden. Der Konferenzartikel ist ebenfalls publiziert.
Sophie Potts stellte ihre Arbeit zur Anwendung von Joint Models für longitudinale und Ereigniszeitdaten in den Sozialwissenschaften als Poster vor. Dabei wurde die Methode mit Ursprung in der Biostatistik auf ein Beispiel aus der Familiensoziologie übertragen. Sophies neuartige Anwendung und nahbare Darstellung wurde dafür mit dem „Best Student Poster Award“ ausgezeichnet. Das ausgezeichnete Poster kann nun im Flur unserer Büros bestaunt werden.