Theoretical Foundations for Exploiting Unlabelled Data in Machine Learning

Esser, Pascal Mattia

Pascal Esser

Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link

Originaltitel:: Theoretical Foundations for Exploiting Unlabelled Data in Machine Learning
Übersetzter Titel:: Theoretische Grundlagen für die Nutzung von Unmarkierten Daten beim Maschinellen Lernen
Autor:: Esser, Pascal Mattia
Jahr:: 2024
Dokumenttyp:: Dissertation
Fakultät/School:: TUM School of Computation, Information and Technology
Institution:: Informatik 7 - Professur für Theoretical Foundations of Artificial Intelligence (Prof. Ghoshdastidar)
Betreuer:: Ghoshdastidar, Debarghya (Prof., Ph.D.)
Gutachter:: Ghoshdastidar, Debarghya (Prof., Ph.D.); Heckel, Reinhard (Prof. Dr.)
Sprache:: en
Fachgebiet:: DAT Datenverarbeitung, Informatik
TU-Systematik:: DAT 700; DAT 708
Kurzfassung:: This thesis theoretically characterizes how to exploit the information from unlabelled data points either to obtain better representations of the data or to improve a downstream task directly. We provide theoretical guarantees for kernel methods and neural networks in different settings, from semi- and self-supervised learning over unsupervised learning to ordinal data.
Übersetzte Kurzfassung:: In dieser Arbeit wird theoretisch beschrieben, wie die Informationen aus unmarkierten Datenpunkten genutzt werden können, um entweder bessere Darstellungen der Daten zu erhalten oder um eine nachgelagerte Aufgabe direkt zu verbessern. Wir bieten theoretische Garantien für Kernel-Methoden und neuronale Netze in verschiedenen Umgebungen, vom halb- und selbstüberwachten Lernen über unüberwachtes Lernen bis hin zu ordinalen Daten.
WWW:: https://mediatum.ub.tum.de/?id=1730802
Eingereicht am:: 12.01.2024
Mündliche Prüfung:: 02.08.2024
Dateigröße:: 5512116 bytes
Seiten:: 203
Urn (Zitierfähige URL):: https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20240802-1730802-1-4
Letzte Änderung:: 09.12.2024
BibTeX