Login
- Originaltitel:
- Learning Probabilistic Subsequential Transducers
- Übersetzter Titel:
- Lernen von probabilistischen subsequentiellen Transducern
- Autor:
- Akram, Hasan Ibne
- Jahr:
- 2013
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- Fakultät für Informatik
- Betreuer:
- Eckert, Claudia (Prof. Dr.)
- Gutachter:
- Eckert, Claudia (Prof. Dr.); Esparza Estaun, Francisco Javier (Prof. Dr. Dr. h.c.); de la Higuera, Colin (Prof. Dr.)
- Sprache:
- en
- Fachgebiet:
- DAT Datenverarbeitung, Informatik
- Stichworte:
- Machine Lerning, Gramatical Inference, Transducer Learning
- Schlagworte (SWD):
- Transduktor Automatentheorie; Maschinelles Lernen
- TU-Systematik:
- DAT 708d
- Kurzfassung:
- In this thesis we investigate inference of probabilistic subsequential transducers in an active learning environment. First, we propose a novel inference algorithm where the learner interacts with an oracle by asking probabilistic queries on the observed data. Second, we propose another learning algorithm where the oracle can be replaced by statistical tests over observed data. We also provide experimental evidence to show the correctness of the proposed algorithms.
- Übersetzte Kurzfassung:
- In der vorliegenden Arbeit untersuchen wir probabilistische subsequentielle Transducer in einer aktiven Lernumgebung. Zunächst stellen wir einen neuen Lernalgorithmus vor, der probabilistische Anfragen über beobachtete Daten an ein Orakel stellt. Danach stellen wir einen weiteren Lernalgorithmus vor, bei dem das Orakel durch statistische Tests über beobachteten Daten ersetzt wird. Um die Korrektheit nachzuweisen liefern wir darüber hinaus experimentelle Belege.
- WWW:
- https://mediatum.ub.tum.de/?id=1120048
- Eingereicht am:
- 29.10.2012
- Mündliche Prüfung:
- 22.05.2013
- Dateigröße:
- 1207690 bytes
- Seiten:
- 189
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20130522-1120048-0-6
- Letzte Änderung:
- 30.10.2013
BibTeX