RUB » Bibliotheksportal

Shih-Ting Huang

• I begin my dissertation by proposing a personalised prediction pipeline based on an alternate ridge-type approach. This pipeline is optimum in terms of oracle inequalities, speedy, as well as very effective in both simulations and real-world data. Subsequently, I proposed a new type of estimator by altering traditional ridge estimators in such a way that tuning parameters can be omitted entirely throughout the computational process. The resulting estimator can outperform standard ridge estimators integrated with cross-validation in terms of prediction accuracy. Finally, I constructed a robust prediction pipeline for the deep neural network frameworks. My methodology is inspired by comparatively recent insights into the median-of-means and Le Cam's principle. I presented its ease of implementation, and demonstrated its impressive performance in practice.
• Ich beginne meine Dissertation mit dem Vorschlag einer personalisierten Vorhersage-Pipeline basierend auf einem alternativen Ridge-Ansatz. Diese Pipeline ist optimal in Bezug auf Orakel-Ungleichungen, schnell und sowohl in Simulationen als auch in realen Daten sehr effektiv. Anschließend schlug ich einen neuen Schätzertyp vor, indem ich herkömmliche Ridge-Schätzer so veränderte, dass während des gesamten Berechnungsprozesses auf Abstimmungsparameter verzichtet werden kann. Der resultierende Schätzer kann Standard-Ridge-Schätzer, die mit Kreuzvalidierung integriert sind, in Bezug auf die Vorhersagegenauigkeit übertreffen. Schließlich konstruierte ich eine robuste Vorhersagepipeline für die Deep Neural Network Frameworks. Meine Methodik ist inspiriert von vergleichsweise neuen Erkenntnissen über den Mittelwert und das Prinzip von Le Cam. Ich habe seine einfache Implementierung vorgestellt und seine beeindruckende Leistung in der Praxis demonstriert.