Unsupervised extraction of predictable features from high-dimensional time series
- Die Dissertation untersucht Vorhersagbarkeitskriterien als zugrundeliegendes Prinzip sowohl für die Entwicklung maschineller Lernverfahren als auch zur Modellierung neuronaler Prozesse. Dazu werden zwei neue unüberwachte Lernverfahren vorgeschlagen. Das erste -- Graph-based Predictable Feature Analysis (GPFA) -- orientiert sich an dem bestehenden Ansatz der Slow Feature Analysis (SFA) indem es aus hochdimensionalen Zeitreihen Unterräume und (nicht-lineare) Merkmale mit hoher Vorhersagekraft extrahiert. Das zweite Lernverfahren teilt kontinuierliche Merkmalsräume (wie bspw. im Reinforcement Learning) in diskrete Zustandsräume ein, welche gut geeignet sind, um zukünftige Zustände vorherzusagen. Darüber hinaus wird untersucht, wie sich SFA und drei vergleichbare Verfahren zur Extraktion von vorhersagestarken Merkmalen auf realen Datensätzen verhalten. Dabei zeigt sich, dass SFA in der Praxis als ein überraschend effektiver Ansatz zum Lernen von vorhersagestarken Merkmalen dient.
Author: | Björn WeghenkelGND |
---|---|
URN: | urn:nbn:de:hbz:294-68195 |
DOI: | https://doi.org/10.13154/294-6819 |
Referee: | Laurenz WiskottORCiDGND, Christian IgelORCiDGND |
Document Type: | Doctoral Thesis |
Language: | English |
Date of Publication (online): | 2019/12/11 |
Date of first Publication: | 2019/12/11 |
Publishing Institution: | Ruhr-Universität Bochum, Universitätsbibliothek |
Granting Institution: | Ruhr-Universität Bochum, Fakultät für Elektrotechnik und Informationstechnik |
Date of final exam: | 2019/11/14 |
Creating Corporation: | Fakultät für Elektrotechnik und Informationstechnik |
GND-Keyword: | Informatik; Maschinelles Lernen; Neurowissenschaften; Unüberwachtes Lernen; Dimensionsreduktion |
Dewey Decimal Classification: | Technik, Medizin, angewandte Wissenschaften / Elektrotechnik, Elektronik |
faculties: | Fakultät für Elektrotechnik und Informationstechnik |
Licence (German): | ![]() |