Fakultät für Elektrotechnik und Informationstechnik
Betreuer:
Kleinsteuber, Martin (Priv.-Doz. Dr.)
Gutachter:
Kleinsteuber, Martin (Priv.-Doz. Dr.); Utschick, Wolfgang (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
TU-Systematik:
DAT 001d
Kurzfassung:
This thesis investigates the sample complexity of representation learning algorithms for sparse and related signal models. Two frameworks are developed for establishing bounds on the generalization error and sample complexity for a general class of learned representation models based on dictionaries. The proposed bounding schemes are presented in a self-contained manner and can be used to analyze a wide variety of learning scenarios. Both methods are then applied to a selection of learning algorithms.
«
This thesis investigates the sample complexity of representation learning algorithms for sparse and related signal models. Two frameworks are developed for establishing bounds on the generalization error and sample complexity for a general class of learned representation models based on dictionaries. The proposed bounding schemes are presented in a self-contained manner and can be used to analyze a wide variety of learning scenarios. Both methods are then applied to a selection of learning algor...
»
Übersetzte Kurzfassung:
Diese Arbeit untersucht die Stichprobenkomplexität von Algorithmen zum Lernen von Repräsentationen für spärliche und andere Signalmodelle. Es werden zwei Methoden entwickelt um Schranken für den Generalisierungsfehler für eine allgemeine Klasse von gelernten Modellen abzuschätzen. Die vorgestellten Schemata werden in einer in sich geschlossenen Weise präsentiert und können zur Analyse verschiedener Lernszenarien verwendet werden. Beide Methoden werden auf verschiedene Lernalgorithmen angewandt.