Benutzer: Gast  Login
Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link
Originaltitel:
Variational Bayes for Continual Learning and Time-Series Forecasting
Übersetzter Titel:
Variational Bayes für kontinuierliches Lernen und Zeitreihenvorhersage
Autor:
Kurle, Richard
Jahr:
2023
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Computation, Information and Technology
Betreuer:
Günnemann, Stephan (Prof. Dr.)
Gutachter:
Günnemann, Stephan (Prof. Dr.); Groh, Georg (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
TU-Systematik:
DAT 600; DAT 703; DAT 708
Kurzfassung:
This thesis develops variational Bayesian methods for applications in continual learning, multi-source inference, and time-series forecasting. For continual learning, recursive approximation and adaptation methods are developed for Bayesian neural networks. Variational autoencoders are extended for multi-source learning using separate encoders and decoders for each source. For probabilistic forecasting, a Rao-Blackwellised particle filter with a variational proposal distribution is proposed.
Übersetzte Kurzfassung:
Diese Dissertation entwickelt variational Bayesian Methoden für Anwendungen im kontinuierlichen Lernen, Inferenz aus mehreren Informationsquellen und der Zeitreihenvorhersage. Rekursive Approximations- und Adaptionsmethoden für Bayesian neural networks ermöglichen kontinuierliches Lernen. Variational autoencoders werden mit separate Encodern und Decodern für mehrere Quellen erweitert. Für Forecasting wird ein effizienter Partikel-Filter mit einer variational proposal distribution vorgeschlagen.
WWW:
https://mediatum.ub.tum.de/?id=1685412
Eingereicht am:
23.09.2022
Mündliche Prüfung:
13.03.2023
Dateigröße:
13430724 bytes
Seiten:
141
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20230313-1685412-1-5
Letzte Änderung:
12.04.2023
 BibTeX