Login
- Original title:
- Uncovering dynamics
- Original subtitle:
- Learning and amortized inference for state-space models
- Translated title:
- Dynamiken entdecken
- Translated subtitle:
- Lernalgorithmen und amortisierte Inferenz für Zustandsraummodelle
- Author:
- Sölch, Maximilian Johannes Georg
- Year:
- 2021
- Document type:
- Dissertation
- Faculty/School:
- Fakultät für Informatik
- Advisor:
- van der Smagt, Patrick (Prof. Dr.)
- Referee:
- van der Smagt, Patrick (Prof. Dr.); Groh, Georg (Prof. Dr.)
- Language:
- en
- Subject group:
- DAT Datenverarbeitung, Informatik
- TUM classification:
- DAT 708; DAT 815
- Abstract:
- This thesis lays out how to uncover dynamics from data. We efficiently learn state-space models from data without supervision and apply this to the task of tracking. Learning becomes practical by amortizing inference with neural networks. Then, we discover systematic failure scenarios in inference and learning and develop strategies to avoid them. Further, we study learnable set functions and advocate for design choices that lead to reduced sensitivity to test scenarios and hyper-parameters.
- Translated abstract:
- Diese Arbeit zeigt, wie Dynamiken aus Daten gelernt werden können. Zustandsraummodelle werden unüberwacht aus Daten gelernt und für Tracking angewandt. Dies wird durch amortisierte Inferenz via neuronaler Netze praktikabel. Zudem werden systematische Fehler in Inferenz und Lernen untersucht und Strategien zu deren Vermeidung entwickelt. Zuletzt werden lernbare Funktionen auf Mengen betrachtet und vorgeschlagen, wie die Sensitivität bzgl. Testumgebung und Hyperparametern reduziert werden kann.
- WWW:
- https://mediatum.ub.tum.de/?id=1610565
- Date of submission:
- 11.05.2021
- Oral examination:
- 15.10.2021
- File size:
- 8135170 bytes
- Pages:
- 200
- Urn (citeable URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20211015-1610565-1-8
- Last change:
- 16.11.2021
BibTeX