Dimensionsreduktion in komplexen Datenstrukturen

Die Statistik sieht sich bereits seit einiger Zeit mit der Herausforderung konfrontiert, Methoden zur Informationsgewinnung aus großen, meist hochdimensionalen, häufig unvollständigen Datenmengen zu entwickeln. Hierzu zählen Verfahren zur geeigneten Ersetzung und zum Ausgleich fehlender Werte, wie bespielsweise ML-Schätzung, Spline-Interpolation, graphische Modelle und robuste Methoden zur Erkennung und Beurteilung auftretender Artefakte. Im Projekt werden insbesondere statistische Methoden zur Dimensionsreduktion in nichtparametrischen Regressionsmodellen und zur robusten Strukturerkennung neu und weiter entwickelt.