Promotie D.J.W. (Daniël) Touw

Hieronder volgt een korte samenvatting van het proefschrift:

Dit proefschrift presenteert nieuwe algoritmes voor het identificeren van structuur in grote en complexe datasets. Het werk richt zich op clusteringmethoden gebaseerd op convexe optimalisatie, waarbij vergelijkbare objecten worden gegroepeerd door het minimaliseren van een wiskundig goed-gedefinieerde verliesfunctie. Een belangrijke bijdrage is convex clustering through majorization–minimization (CCMM), een benadering die snelheden bereikt die meerdere ordes van grootte hoger liggen dan bestaande technieken en schaalbaar is tot datasets met meer dan één miljoen observaties. Het raamwerk wordt uitgebreid naar convex biclustering, waarbij zowel observaties als variabelen gelijktijdig worden geclusterd, met een computationele complexiteit die slechts lineair toeneemt met de datasetgrootte.

Verder past het proefschrift deze ideeën toe op Gaussian graphical modeling, met als doel het schatten van netwerken van variabelen met blokgestructureerde patronen. De resulterende clusterpath-schatter van het Gaussian graphical model (CGGM) maakt gebruik van een efficiënt coordinate descent algoritme en laat sterke prestaties zien bij het detecteren van clusters in zowel gesimuleerde als empirische toepassingen.

De laatste bijdrage is het classifier chain network voor multi-labelclassificatie, een methode die parameters gezamenlijk schat om afhankelijkheden tussen meerdere binaire uitkomsten vast te leggen. In uiteenlopende toepassingen leveren de voorgestelde methoden aanzienlijke verbeteringen op in schaalbaarheid, interpreteerbaarheid en nauwkeurigheid, en bieden ze praktische hulpmiddelen voor clustering, netwerkraming en voorspellende modellering in hoog-dimensionale data-analyse.