User: Guest  Login
Original title:
Applications of Information Theory and Factor Graphs for Machine Learning 
Translated title:
Anwendungen von Informationstheorie und Graphischen Modellen im maschinelles Lernen 
Year:
2019 
Document type:
Dissertation 
Institution:
Fakultät für Elektrotechnik und Informationstechnik 
Advisor:
Kramer, Gerhard (Prof. Dr.) 
Referee:
Kramer, Gerhard (Prof. Dr.); Permutter, Halm (Prof., Ph.D.) 
Language:
en 
Subject group:
ELT Elektrotechnik 
Keywords:
Deep Learning, Information Theory, Clustering, Artificial Intelligence, Machine Learning, Markov Aggregation 
TUM classification:
ELT 500d 
Abstract:
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. 
Translated abstract:
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. 
Oral examination:
13.09.2019 
File size:
5110317 bytes 
Pages:
162 
Last change:
17.12.2019