Aspects of Algorithmic Information Theory in Spatial Machine Learning
Translated title:
Aspekte der Algorithmischen Informationstheorie im Räumlichen Maschinellen Lernen
Author:
Dax, Gabriel
Year:
2024
Document type:
Dissertation
Faculty/School:
TUM School of Engineering and Design
Institution:
Big Geospatial Data Management (Prof. Werner)
Advisor:
Werner, Martin (Prof. Dr.)
Referee:
Werner, Martin (Prof. Dr.); Krstić, Miloš (Prof. Dr.)
Language:
en
Subject group:
BAU Bauingenieurwesen, Vermessungswesen; DAT Datenverarbeitung, Informatik
Keywords:
Deep Learning, Compression, Information Theory, Kolmogorov Complexity, Data-Driven System
Translated keywords:
Deep Learning, Kompression, Informations Theory, Kolmogorov Komplexität, Datengetriebenes System
TUM classification:
BAU 902
Abstract:
In spatial computing, data-driven systems process vast data but face challenges due to complex algorithms and growing datasets, necessitating hardware scaling with higher costs. Compression is able to optimize memory and computational efficiency by removing unimportant information within the data. This is essential for edge computing, therefore, it is necessary to investigate the role of compression in spatial computing. Results show that compression improves systems efficiency at comparable small costs in accuracy, enabling edge computing in constrained environments.
«
In spatial computing, data-driven systems process vast data but face challenges due to complex algorithms and growing datasets, necessitating hardware scaling with higher costs. Compression is able to optimize memory and computational efficiency by removing unimportant information within the data. This is essential for edge computing, therefore, it is necessary to investigate the role of compression in spatial computing. Results show that compression improves systems efficiency at comparable sma...
»
Translated abstract:
Im Spatial Computing verarbeiten datengetriebene Systeme große Datenmengen, stehen jedoch vor Herausforderungen aufgrund komplexer Algorithmen und wachsender Datensätze. Kompression optimiert die Speicher- und Recheneffizienz indem unwichtige Informationen entfernt werden. Das ist entscheidend für das Edge Computing, daher ist die Rolle der Kompression im Spatial Computing zu untersuchen. Ergebnisse zeigen, dass Kompression die Effizienz datengetriebener Systeme verbessert, bei vergleichsweise geringen Verlusten von Genauigkeit.
«
Im Spatial Computing verarbeiten datengetriebene Systeme große Datenmengen, stehen jedoch vor Herausforderungen aufgrund komplexer Algorithmen und wachsender Datensätze. Kompression optimiert die Speicher- und Recheneffizienz indem unwichtige Informationen entfernt werden. Das ist entscheidend für das Edge Computing, daher ist die Rolle der Kompression im Spatial Computing zu untersuchen. Ergebnisse zeigen, dass Kompression die Effizienz datengetriebener Systeme verbessert, bei vergleichsweise g...
»