FWF-DLGM - Diskriminatives Lernen von graphischen Modellen

  • Peharz, Robert (Teilnehmer (Co-Investigator))
  • Tschiatschek, Sebastian (Teilnehmer (Co-Investigator))
  • Pernkopf, Franz (Projektleiter (Principal Investigator))

Projekt: Foschungsprojekt

Projektdetails

Beschreibung

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.
StatusAbschlussdatum
Tatsächlicher Beginn/ -es Ende14/06/1013/01/14