User: Guest  Login
Original title:
Sparse Grids for Big Data: Exploiting Parsimony for Large-Scale Learning 
Translated title:
Dünne Gitter für Big Data: Mit Adaptivität zur hochdimensionalen Datenanalyse 
Year:
2016 
Document type:
Dissertation 
Institution:
Fakultät für Informatik 
Advisor:
Bungartz, Hans-Joachim (Prof. Dr.) 
Referee:
Bungartz, Hans-Joachim (Prof. Dr.); Hegland, Markus (Prof. Dr.) 
Language:
en 
Subject group:
DAT Datenverarbeitung, Informatik 
TUM classification:
MAT 650d; DAT 780d 
Abstract:
High-dimensional data analysis becomes ubiquitous. Here, nonparametric models, i.e. sparse grid models, suffer exponential growth of complexity in high dimensions. To delay the onset of this curse, this thesis develops the learning algorithms that simultaneously optimise the model parameters and the structure to befit the problem. The new methods increase the range of feasible classification and regression problems, decreasing the training time and the memory footprint of the resulting models. 
Translated abstract:
Hochdimensionalle Datenanalyse wird allgegenwärtig eingesetzt. Nichtparametrische Modelle für Datenanalyse, z.B. dünne Gitter, leiden an exponentiell wachsendem Rechenaufwand in hohen Dimensionen. Um diesen Fluch der Dimensionen zu mindern, verbessert diese Arbeit die Adaptivität hierarchischer Dünngitter-Modelle. Die neuen Methoden erweitern das Spektrum möglicher Probleme, wobei die Trainingszeit und der Speicherverbrauch des Modells reduziert werden. 
Oral examination:
23.11.2016 
File size:
9335465 bytes 
Pages:
180 
Last change:
05.12.2016