User: Guest  Login
Original title:
Learning from Data with Geometry-Aware Sparse Grids
Translated title:
Aus Daten lernen mittels Geometrie-bewusster dünner Gitter
Author:
Röhner, Kilian Michael
Year:
2020
Document type:
Dissertation
Faculty/School:
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; MAT Mathematik
TUM classification:
MAT 650d; DAT 780d
Abstract:
Employing sparse grids for data mining mitigates the curse of dimensionality, is applicable for mining large datasets, and offers an explainable approach to machine learning. In this thesis, we introduce a sparse grid-based incremental learning scheme for density estimation supporting computational efficiency and online model adaptions. On top, we introduce geometry-aware sparse grids to tackle image classification problems and implement the methods in the user-friendly SG++ data mining pipeli...     »
Translated abstract:
Der Einsatz dünner Gitter im Data Mining schwächt den Fluch der Dimensionen, ist für große Datensätze anwendbar und ermöglicht einen erklärbaren Zugang zu maschinellem Lernen. In dieser Arbeit stellen wir eine dünne Gitter-basierte, inkrementelle Lerntechnik vor, welche effizient rechnet und laufend Modellveränderungen unterstützt. Zusätzlich führen wir Geometrie-bewusste dünne Gitter ein, um Bildklassifizierungs-Problemstellungen zu bewältigen und implementieren die Methoden in die benutzerfr...     »
WWW:
https://mediatum.ub.tum.de/?id=1554038
Date of submission:
03.08.2020
Oral examination:
29.10.2020
File size:
2035486 bytes
Pages:
200
Urn (citeable URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20201029-1554038-1-3
Last change:
11.12.2020
 BibTeX