Benutzer: Gast  Login
Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link
Originaltitel:
Applications of Information Theory and Factor Graphs for Machine Learning
Übersetzter Titel:
Anwendungen von Informationstheorie und Graphischen Modellen im maschinelles Lernen
Autor:
Amjad, Rana Ali
Jahr:
2019
Dokumenttyp:
Dissertation
Fakultät/School:
Fakultät für Elektrotechnik und Informationstechnik
Betreuer:
Kramer, Gerhard (Prof. Dr.)
Gutachter:
Kramer, Gerhard (Prof. Dr.); Permutter, Halm (Prof., Ph.D.)
Sprache:
en
Fachgebiet:
ELT Elektrotechnik
Stichworte:
Deep Learning, Information Theory, Clustering, Artificial Intelligence, Machine Learning, Markov Aggregation
TU-Systematik:
ELT 500d
Kurzfassung:
This thesis consists of three parts. In the first part we develop a generalized information-theoretic cost function for Markov aggregation and apply it also to the co-clustering problem. In the second part we propose a new clustering algorithm, Extended Affinity Propagation, which provides both global and local perspectives of data. The third part focuses on a deeper investigation of the recently proposed idea to train deep neural networks using the Information Bottleneck principle.
Übersetzte Kurzfassung:
Diese Arbeit hat drei Teile. Im ersten Teil entwickeln wir eine allgemeine informationtheoretische Kostenfunktion für Markov Aggregation und verwenden diese auch für Co-Clustering. Im zweiten Teil entwickeln wir einen neuen Clustering-Algorithmus, Extended Affinity Propagation. Der Schwerpunkt des dritten Teils ist eine genaue Untersuchung eines neuen Ansatzes: das Training tiefer neuronaler Netze nach dem Prinzip des Information Bottleneck.
WWW:
https://mediatum.ub.tum.de/?id=1482458
Eingereicht am:
27.03.2019
Mündliche Prüfung:
13.09.2019
Dateigröße:
5110317 bytes
Seiten:
162
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20190913-1482458-1-7
Letzte Änderung:
17.12.2019
 BibTeX