MARC

 008260126s2025        us                              c    eng  d
■001000017358143
■00520260202103650
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798314875759
■035    ▼a(MiAaPQ)AAI32092682
■035    ▼a(MiAaPQ)umichrackham006125
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a658
■1001  ▼aShi,  Naichen.
■24510▼aPersonalized  and  Distributed  Data  Analytics  in  Heterogeneous  Environments
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a248  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-11,  Section:  B.
■500    ▼aAdvisor:  Al  Kontar,  Raed.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aIt  is  a  common  wisdom  in  statistics  that  more  data  leads  to  better  models.  However,  as  data  are  increasingly  collected  from  distributed  sources,  such  as  different  devices  or  users,  their  inherent  statistical  heterogeneity  creates  challenges  for  effective  knowledge  integration.  Conventional  population-based  models  often  rely  on  i.i.d.  assumptions,  which  often  neglect  variations  across  data  sources.  When  data  distributions  differ,  understanding  their  structure  and  integrating  information  for  predictive  modeling  becomes  non-trivial.  This  dissertation  tackles  these  challenges  through  personalized  modeling.  Instead  of  fitting  one  single  model  for  data  from  all  sources,  personalized  data  analytics  fits  data  source-specific  models  while  still  encouraging  knowledge  transfer  across  sources.  This  dissertation  proposes  personalized  descriptive  and  predictive  analytics  that  attempt  to  answer  three  key  questions:  (Q1)  How  can  we  develop  descriptive  analytics  to  extract  shared  and  unique  patterns  from  heterogeneous  data?  (Q2)  How  can  we  design  robust  statistical  methods  that  remain  reliable  in  the  presence  of  outliers?  (Q3)  How  can  we  leverage  insights  from  covariate  and  concept  shifts  to  construct  effective  personalized  predictive  models?  To  answer  these  questions,  the  dissertation  proposes  three  methodological  contributions.  Chapter  2  proposes  Personalized  PCA  (PerPCA),  a  novel  approach  that  distinguishes  shared  and  unique  features  across  data  sources  using  mutually  orthogonal  global  and  local  principal  components.  Chapter  3  presents  Triple  Component  Matrix  Factorization  (TCMF)  to  recover  global,  local,  and  noisy  components  in  multi-source  data  corrupted  by  outlier  noise.  Both  PerPCA  and  TCMF  are  equipped  with  theoretical  guarantees  on  statistical  errors.  Chapter  4    develops  a  predictive  modeling  framework  called  Personalized  Federated  Learning  via  Domain  Adaptation  (PFL-DA)  that  addresses  both  covariate  and  concept  shifts  across  distributed  sources.    The  proposed  methods  provide  scalable  and  interpretable  solutions  for  extracting  insights,  integrating  knowledge,  and  improving  predictive  performance  in  distributed  and  heterogeneous  environments.  These  findings  have  broad  applications  across  various  domains,  including  image  and  video  processing,  topic  modeling,  and  manufacturing.
■590    ▼aSchool  code:  0127.
■650  4▼aIndustrial  engineering
■650  4▼aComputer  engineering
■650  4▼aEngineering
■653    ▼aPersonalized  modeling
■653    ▼aData  analytics
■653    ▼aFeature  extraction
■653    ▼aTriple  Component  Matrix  Factorization
■690    ▼a0546
■690    ▼a0796
■690    ▼a0464
■690    ▼a0537
■71020▼aUniversity  of  Michigan▼bIndustrial  &  Operations  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-11B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358143▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서