Forschung

Geförderte Projekte

Sufficient Dimension Reduction Methodology in Forecasting (FWF - Der Wissenschaftsfonds), öffnet eine externe URL in einem neuen Fenster

ProjektleitungEfstathia Bura, öffnet eine externe URL
ProjektmitarbeiterDaniel Kapla, öffnet eine externe URL, Andrey Kofnov, öffnet eine externe URL in einem neuen FensterManfred Deistler, öffnet eine externe URL in einem neuen Fenster 
Projektstart: Dezember 2017

Ehemalige Mitarbeiter_inen: Karl Oskar Ekvall, Lukas Fertl, Barbara Brune,

Zusammenfassung

Ökonomen und Entscheidungsträger haben größere Datenmengen zur Verfügung als jemals zuvor. Aus diesen Daten die relevanten Informationen zu extrahieren kann dabei helfen idiosynkratische Bewegungen bzw. Störungen überzubewerten und zu präziseren Vorhersagen und makro-/mikroökonomischen Analysen führen. Wie dabei die Daten effektiv verwendet werden können ist ein offenes Problem.
Der Einsatz dynamischer Faktormodelle (DFM) hat in der Makro- und Finanzökonometrie sowohl für die Bewertung von Parallelbewegungen von Zeitreihen als auch für die Vorhersage von Zeitreihen überzeugt. Die Datenreduktion in dynamischen Faktormodellen besteht darin, die Information aus großen Datenmengen in wenigen Faktoren zusammenzufassen, die den wesentlichen Anteil der Variabilität erklären. Dies
geschieht allerdings, ohne die Eignung der reduzierten Datenmenge für Vorhersagen zu berücksichtigen.
Die Methoden der suffiziente Dimensionsreduktion (SDR) stellen eine
Anzahl an Werkzeugen für die Reduktion multivariater Daten in Regressionsproblemen zur Verfügung, ohne dabei Information zur Inferenz der abhängigen Variable zu verlieren. SDR berücksichtigt die Beziehungen zwischen abhängigen und unabhängigen Variablen bei der Dimensionsreduktion.
Dieses Projekt erweitert bestehende Methoden in der SDR im Kontext ökonometrischer Modelle und Vorhersagen und entwickelt neue Verfahren. Dabei sollen Methoden der SDR und Werkzeuge der Datenanalyse entwickelt werden um Reduktionen - auch nicht-lineare - zu identifizieren und zu schätzen, die bisher im Kontext der DFM nur teilweise wurden. Zusätzlich sollen Methoden der SDR für (a) zielgerichtete Hauptkomponentenanalyse und (b) für "große p/kleine T" (viele erklärende Variablen und wenig Beobachtungen) Zeitreihen Regressionen basierend auf Krylov Unterräumen entwickelt werden. Modelle insbesondere sogenannte "envelope models" zur Vorhersage multivariater abhängiger Variablen, wie zum Beispiel Vorhersagen von Zentralbanken sollen ebenfalls entwickelt und angewendet werden.
Das vorgeschlagene Projekt soll einen signifikanten Beitrag zur Entwicklung statistischer Werkzeuge leisten, die die Datenkomplexität reduzieren um zugrundeliegende Beziehungen und Strukturen in der Wirtschaft besser zu verstehen und modellieren zu können.

 

ProbInG: Distribution Recovery for Invariant Generation of Probabilistic Programs (WWTF - Wiener Wissenschafts-, Forschungs- und Technologiefonds), öffnet eine externe URL in einem neuen Fenster

Projektleitung: Ezio Bartocci, öffnet eine externe URL in einem neuen FensterLaura Kovács, öffnet eine externe URL in einem neuen FensterEfstathia Bura, öffnet eine externe URL
Projektstart: Mai 2020

Zusammenfassung

Das probabilistische Programmieren ist ein neues Paradigma, das von High-Tech-Giganten wie Google, Amazon und Uber übernommen wurde, um die Entwicklung von Anwendungen auf der Basis von künstlicher Intelligenz, wie der Routenplanung und der Erkennung von Cyberangriffen, zu vereinfachen. Probabilistische Programmiersprachen enthalten arteigene Konstrukte für Stichprobenverteilungen, mit denen deterministische und stochastische Elemente frei gemischt werden können. Die resultierende flexible Struktur hat ihren Preis und führt zu Programmen mit schwer zu analysierenden Verhaltensmustern mit oft unvorhersehbaren Folgen bei sicherheitskritischen Anwendungen. Eine der Hauptherausforderungen bei der Analyse dieser Programme besteht darin, invariante Eigenschaften zu berechnen, die das Schleifenverhalten vollständig beschreiben. Unser Projekt zielt darauf ab, vollautomatisierte Ansätze zu entwickeln, um Invarianten über Momente höherer Ordnung und die Werteverteilung von Programmvariablen zu generieren. Dafür kombinieren wir Methoden von symbolischem Rechnen und Statistik mit formalen Methoden für die Programmanalyse. Unsere Ergebnisse sollen den Einsatzbedarf an Expertenwissen zur Gewährleistung der Sicherheit von Computersystemen verringern. Damit werden die Kosten für Anwendungen, die auf probabilistischen Programmen basieren, gesenkt, zum geistigen und wirtschaftlichen Vorteil unserer Gesellschaft.

 

SecInt Doctoral College: Statistical Verification of Security Properties for Cyber- Physical Systems., öffnet eine externe URL in einem neuen Fenster

Projektstart: Juli 2020