Benutzer: Gast  Login
Originaltitel:
Iteratively Reweighted Least Squares - Nonlinear Regression and Low-Dimensional Structure Learning for Big Data 
Übersetzter Titel:
Iteratively Reweighted Least Squares - Nichtlineare Regression und Lernen niedrigdimensionaler Strukturen für Big Data-Anwendungen 
Jahr:
2018 
Dokumenttyp:
Dissertation 
Institution:
Fakultät für Mathematik 
Betreuer:
Fornasier, Massimo (Prof. Dr.) 
Gutachter:
Fornasier, Massimo (Prof. Dr.); Pereverzyev, Sergei (Prof. Dr.); Ward, Rachel (Prof., Ph.D.) 
Sprache:
en 
Fachgebiet:
MAT Mathematik 
TU-Systematik:
MAT 650d; MAT 490d 
Kurzfassung:
We develop and investigate new computational methods for data analysis problems belonging to the family of iteratively reweighted least squares (IRLS) algorithms. First, we discuss IRLS-methods for nonlinear regression entailing nonconvex or even nonsmooth optimization problems. Next, we introduce an IRLS-variant with a novel reweighting strategy for learning low-rank matrices that substantially enhances performance with respect to state-of-the-art methods. Finally, we present an IRLS-algorithm...    »
 
Übersetzte Kurzfassung:
Diese Arbeit befasst sich mit der Entwicklung von Berechnungsverfahren für Datenanalyseprobleme, die zu den Iteratively Reweighted Least Squares (IRLS)-Methoden gehören. Als erstes wird IRLS für nichtlineare Regressionsprobleme diskutiert, was zu nichtkonvexen oder nichtglatten Optimierungsproblemen führt. Anschließend wird ein IRLS-Algorithmus mit neuartiger Gewichtungsstrategie für das Lernen von Niedrigrangmatrizen vorgestellt, die im Vergleich zu state-of-the-art-Methoden wesentliche Perfor...    »
 
Mündliche Prüfung:
11.04.2018 
Dateigröße:
6228017 bytes 
Seiten:
214 
Letzte Änderung:
22.05.2018