*0012628486
*00520250410132009.0
*007ta
*008161115s2024    no ad  e bm   00  0 eng c
*00903811cam a2200409 c 4500
*019  $bl
*020  $a9788284272177$qheftet
*035  $a(EXLNZ-47BIBSYS_NETWORK)999922548079902201
*035  $a(NO-LaBS)51256786(bibid)
*040  $aNO-OsNB$bnob$erda
*08204$a519.535$223/nor/20241029$qNO-KrUA
*1001 $aRoy, Kevin$0(NO-TrBIB)1707990471383$4aut$_351732700
*24000$aIdentification of nonlinear causality in multivariate systems by designing interpretable machine learning models$_351732800
*24510$aIdentification of nonlinear causality in multivariate systems by designing interpretable machine learning models$cKevin Roy
*264 1$aGrimstad$bUniversity of Agder, Faculty of Engineering and Science$c2024
*264 4$c© 2024
*300  $axvii, 123 sider$billustrasjoner, figurer, tabeller$c24 cm
*336  $astillbilde$0http://www.rdaregistry.info/termList/RDAContentType/1014$2rdaco
*336  $atekst$0http://rdaregistry.info/termList/RDAContentType/1020$2rdaco
*337  $auformidlet$0http://rdaregistry.info/termList/RDAMediaType/1007$2rdamt
*338  $abind$0http://rdaregistry.info/termList/RDACarrierType/1049$2rdact
*4901 $aDoctoral dissertations at the University of Agder$v499$xISSN 1504-9272
*500  $aDelvis opptrykk av artikler
*502  $aAvhandling (ph.d.) - Universitetet i Agder, Grimstad, 2024
*504  $aInneholder bibliografiske referanser
*5203 $aBetydningen av slutninger og dataanalyse i sammenkoblede systemer har vokst betydelig på grunn av den økende utbredelsen av slike systemer og det stadig voksende datavolumet de genererer. Mange av disse systemene produserer data i form av multivariate tidsserier, som involverer samtidige observasjoner på tvers av ulike variabler. For eksempel signaler fanget opp av sensorer i olje og gass. Ingeniører er interessert i å identifisere koblingene mellom signalene og kode dem som en graf. Identifisering av en slik graftopologi kan gi innsikt om det underliggende systemet og kan hjelpe til med oppgaver som systemidentifikasjon og avviksdeteksjon, datafullføring og denoising. Vår intensjon er å lære topologi fra målinger som finner sted i engineering, anlegg av olje og gass. På samme måte viser finansielle tidsserier dynamikken til ulike finansielle instrumenter eller markedsindekser over tid. Å analysere disse tidsseriene kan avdekke viktig innsikt om systematferd, avsløre mønstre og lette spådommer. Derfor er det viktig å utvikle effektive teknikker for dataanalyse og inferens i nettverk av multivariate tidsserier. Dette forskningsområdet har betydelige implikasjoner på tvers av en rekke felt. I denne doktorgradsavhandlingen ligger vårt primære fokus i å identifisere retningsrelasjoner innenfor tidsserier og utnytte denne kunnskapen til å lage algoritmer for å forutsi data, identifisering av ikke-lineære avhengigheter og fylle ut manglende data.$cHentet fra forfatterens avhandling, sett 29.10.24
*533  $aElektronisk reproduksjon$b[Norge]$cNasjonalbiblioteket Digital$d2025-03-24
*546  $aSammendrag på norsk
*653 0$amultivariate tidsserier$aslutninger$adataanalyse$aalgoritmer$amodeller$akunstig intelligens$ainformasjonsteknologi$_351732900
*7001 $aRoy, Kevin$0(NO-TrBIB)1707990471383$tIdentification of nonlinear causality in multivariate systems by designing interpretable machine learning models$_351732700
*7102 $aUniversitetet i Agder$0(NO-TrBIB)8001540$4pbl$_10899700
*7102 $aUniversitetet i Agder$bFakultet for teknologi og realfag$0(NO-TrBIB)14042509$4dgg$_11511600
*830 0$aDoctoral dissertations at University of Agder (trykt utg.)$x1504-9272$v499$w990713508374702201$_12356900
*85641$3Fulltekst$uhttps://urn.nb.no/URN:NBN:no-nb_digibok_2025012148067$yNettbiblioteket$zDigital representasjon
*913  $aNorbok$bNB
*917  $ad
*999  $aoai:nb.bibsys.no:999920585535502202$b2025-01-11T01:18:39Z$z999920585535502202
^