Benutzer: Gast  Login
Originaltitel:
Multi-Task and Transfer Learning with Recurrent Neural Networks 
Übersetzter Titel:
Multi-Task und Transfer Learning mit rekurrenten neuronalen Netzen 
Jahr:
2015 
Dokumenttyp:
Dissertation 
Institution:
Fakultät für Informatik 
Betreuer:
Runkler, Thomas (Prof. Dr.) 
Gutachter:
Runkler, Thomas (Prof. Dr.); van der Smagt, Patrick (Prof. Dr.) 
Sprache:
en 
Fachgebiet:
DAT Datenverarbeitung, Informatik 
Stichworte:
transfer learning, multi-task learning, recurrent neural network, tensor factorization, system identification, dynamical system 
Übersetzte Stichworte:
Transfer Learning, Multi-Task Learning, rekurrentes neuronales Netz, Tensorfaktorisierung, Systemidentifikation, dynamisches System 
TU-Systematik:
DAT 500d 
Kurzfassung:
The dynamics of complex technical systems can be approximated by recurrent neural networks (RNN). Such methods have proven to be powerful alternatives to analytical models which are not always available or may be inaccurate, but they often require large amounts of data, which is a scarce resource in many applications. In this thesis, RNN models are developed which allow for data-efficient knowledge transfer from source task(s) to a related target task that lacks data. The primary contribution is...    »
 
Übersetzte Kurzfassung:
Die Dynamik komplexer technischer Systeme kann durch rekurrente neuronale Netze (RNN) datengetrieben approximiert werden, was eine leistungsfähige Alternative zu analytischen Modellen darstellt, da letztere nicht immer verfügbar oder unzureichend genau sind. Datengetriebene Modelle benötigen häufig große Datenmengen, jedoch sind Daten in vielen Anwendungen rar. Die Arbeit befasst sich mit der Entwicklung von RNN-Modellen, die einen dateneffizienten Informationstransfer von Referenzsystemen auf e...    »
 
Mündliche Prüfung:
30.10.2015 
Dateigröße:
1463753 bytes 
Seiten:
129 
Letzte Änderung:
23.11.2015