Depth-based detection of heterogeneous outliers in functional data
In functional data analysis, outliers are commonly classified as shape, magnitude, amplitude, or phase anomalies, among others. Recent depth-based detection methods typically address only a subset of these categories, and simulation studies often evaluate performance under a single outlier type in isolation. This work investigates the performance of several outlier detection methods under heterogeneous contamination scenarios in univariate functional data. We examine the impact of contamination proportion, diversity and composition of outlier types, using various evaluation metrics. The study offers practical guidance on more reliable detection strategies across heterogeneous settings, highlighting improvements in robust inference of functional data.
Détection basée sur la profondeur des valeurs aberrantes hétérogènes dans les données fonctionnelles
Dans l'analyse des données fonctionnelles, les valeurs aberrantes sont généralement classées comme des anomalies de forme, d'amplitude ou de phase, entre autres. Les méthodes récentes de détection basées sur la profondeur ne traitent généralement qu'un sous-ensemble de ces catégories, et les études de simulation évaluent souvent les performances pour un seul type de valeur aberrante isolé. Ce travail examine les performances de plusieurs méthodes de détection des valeurs aberrantes dans des scénarios de contamination hétérogènes dans des données fonctionnelles univariées. Nous examinons l'impact de la proportion de contamination, de la diversité et de la composition des types de valeurs aberrantes, à l'aide de divers critères d'évaluation. L'étude offre des conseils pratiques sur des stratégies de détection plus fiables dans des contextes hétérogènes, en mettant en évidence les améliorations apportées à l'inférence robuste des données fonctionnelles.
Date and Time
-
Language of Oral Presentation
English
Language of Visual Aids
English