Theoretical Foundations for Exploiting Unlabelled Data in Machine Learning

Esser, Pascal Mattia

Pascal Esser

If you experience problems opening the document, please try this link.

Original title:: Theoretical Foundations for Exploiting Unlabelled Data in Machine Learning
Translated title:: Theoretische Grundlagen für die Nutzung von Unmarkierten Daten beim Maschinellen Lernen
Author:: Esser, Pascal Mattia
Year:: 2024
Document type:: Dissertation
Faculty/School:: TUM School of Computation, Information and Technology
Institution:: Informatik 7 - Professur für Theoretical Foundations of Artificial Intelligence (Prof. Ghoshdastidar)
Advisor:: Ghoshdastidar, Debarghya (Prof., Ph.D.)
Referee:: Ghoshdastidar, Debarghya (Prof., Ph.D.); Heckel, Reinhard (Prof. Dr.)
Language:: en
Subject group:: DAT Datenverarbeitung, Informatik
TUM classification:: DAT 700; DAT 708
Abstract:: 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.
Translated abstract:: 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
Date of submission:: 12.01.2024
Oral examination:: 02.08.2024
File size:: 5512116 bytes
Pages:: 203
Urn (citeable URL):: https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20240802-1730802-1-4
Last change:: 09.12.2024
BibTeX