Diskriminatives Lernen von graphischen Modellen

Graphische Modelle etablierten sich als Methode für die Repräsentation von Ungewissheit im Gebiet des maschinellen Lernens. Derzeit sind zwei Forschungsschwerpunkte in der Wissenschaftsgemeinschaft von besonderem Interesse: Einerseits wird der Analyse und Entwicklung von effizienten Inferenzmethoden viel Aufmerksamkeit gewidmet, exempli gratia, loopy belief propagation, Variational-Methoden, Samplingmethoden, Konkav-Konvex-Prozedur et cetera. Andererseits wird dem Parameter- und Strukturlernen von gerichteten graphischen Modellen besondere Bedeutung beigemessen. Grundsätzlich gibt es zwei Paradigmen des Lernens: Generatives und diskriminatives Lernen. Das generatives Lernen ist mittlerweile für gerichtete graphische Modelle gut erforscht, wohingegen diskriminatives Lernen noch viel Forschungspotential in sich birgt, da die meisten Methoden durch den hohen Rechenaufwand begrenzt sind. Das Forschungsvorhaben ist im Bereich des diskriminativen Lernens von graphischen Modellen. Es soll an diskriminativen Struktur- und Parameterlernalgorithmen für Bayessche Netzwerke und dynamische Bayessche Netzwerke gearbeitet werden. Eine Herausforderung stellt dabei die benötigte Rechenintensität dar. Die entwickelten Algorithmen werden auf Sprach- und Bildverarbeitungsprobleme angewendet, im Besonderen auf einkanalige Quellentrennung, gleichzeitiges Verfolgen der Grundfrequenz mehrerer Sprecher und das gleichzeitige Verfolgen mehrerer Bildobjekte.

Graphische Modelle etablierten sich als Methode für die Repräsentation von Ungewissheit im Gebiet des maschinellen Lernens. Derzeit sind zwei Forschungsschwerpunkte in der Wissenschaftsgemeinschaft von besonderem Interesse: Einerseits wird der Analyse und Entwicklung von effizienten Inferenzmethoden viel Aufmerksamkeit gewidmet. Andererseits wird dem Parameter- und Strukturlernen von gerichteten graphischen Modellen besondere Bedeutung beigemessen. Grundsätzlich gibt es zwei Paradigmen des Lernens: Generatives und diskriminatives Lernen. Das generatives Lernen ist mittlerweile für gerichtete graphische Modelle gut erforscht, wohingegen diskriminatives Lernen noch viel Forschungspotential in sich birgt, da die meisten Methoden durch den hohen Rechenaufwand begrenzt sind.In diesem Forschungsvorhaben wurden diskriminative Lernverfahren von graphischen Modellen entwickelt. Dabei wurden neue diskriminative Struktur- und Parameter-lernalgorithmen für Bayesische Netzwerke erforscht. Weiters wurde der Einfluss von Parameterquantisierung auf die Klassifikationsrate untersucht. Die entwickelten Algorithmen wurden anhand von Sprach- und Bildverarbeitungsproblemen evaluiert; im Besonderen auf einkanalige Quellentrennung, gleichzeitiges Verfolgen der Grundfrequenz mehrerer Sprecher, Klassifizierung von handgeschriebenen Zahlen und im Bereich der Fernerkundung.