Generative adversarial nets for social scientists
Neunhoeffer, Marcel
|
PDF
marcel_neunhoeffer-dissertation-MADOC.pdf
- Veröffentlichte Version
Download (18MB)
|
URN:
|
urn:nbn:de:bsz:180-madoc-644771
|
Dokumenttyp:
|
Dissertation
|
Erscheinungsjahr:
|
2023
|
Ort der Veröffentlichung:
|
Mannheim
|
Hochschule:
|
Universität Mannheim
|
Gutachter:
|
Gschwend, Thomas
|
Datum der mündl. Prüfung:
|
31 März 2023
|
Sprache der Veröffentlichung:
|
Englisch
|
Einrichtung:
|
Außerfakultäre Einrichtungen > GESS - CDSS (SOWI)
|
Fachgebiet:
|
004 Informatik 300 Sozialwissenschaften, Soziologie, Anthropologie 320 Politik
|
Freie Schlagwörter (Englisch):
|
generative adversarial nets , synthetic data , differential privacy , R package , multiple imputation
|
Abstract:
|
Generative Adversarial Nets (GANs) are a robust framework for learning complex data distributions and sampling new examples. This dissertation introduces GANs to the social science community by enhancing accessibility, exploring potential use cases, and identifying limitations.
The study introduces GANs, making the framework accessible to social science researchers. The dissertation presents the RGAN package, explicitly designed for GAN modeling in R, to facilitate implementation.
As a specific use case, the dissertation explores privacy-preserving synthetic data as a potential data-sharing means. It introduces a new method to produce better output from GANs trained to satisfy differential privacy.
Lastly, the dissertation critically examines the limitations and challenges of GANs in multiple imputation of missing data, providing insights into boundaries and considerations for their application. To that end, it also introduces a novel benchmark to evaluate multiple imputation algorithms.
|
| Dieser Eintrag ist Teil der Universitätsbibliographie. |
| Das Dokument wird vom Publikationsserver der Universitätsbibliothek Mannheim bereitgestellt. |
Suche Autoren in
Sie haben einen Fehler gefunden? Teilen Sie uns Ihren Korrekturwunsch bitte hier mit: E-Mail
Actions (login required)
|
Eintrag anzeigen |
|
|