Die Masterarbeit beschäftigt sich mit der Evaluierung von Verfahren zur Manipulation der Trainingsdatenmenge von Support Vektor Maschinen (SVMs) für das inkrementelle/online Lernen.
SVMs gehören zu den offline-Algorithmen. Sie sind aufgrund ihres Speicher- und Zeitverbrauchs für realtime Anwendungen, in einem online-Szenario, nicht praktikabel.
Viele reale Anwendungen arbeiten allerdings in einer dynamischen Umgebung und verlangen einen adaptiven Klassifikationsalgorithmus.
Um SVMs für solche Umgebungen anzupassen, wurden bereits verschiedene Verfahren vorgestellt. Die Grundidee ist es die Trainingsdatenmenge mit einer speziellen Auswahlstrategie möglichst klein und repräsentativ zu halten und mit neuen Daten die SVM erneut zu trainieren. Da diese Verfahren zumeist unabhängig voneinander entwickelt und in der Regel lediglich mit synthetischen Daten getestet wurden, fehlt ein allgemeiner Überblick über die vorhandenen Methoden und deren Performance.
Ein derartiger Überblick ist das Ziel dieser Arbeit. Daneben werden die Methode in das Framework pySPACE eingebunden und damit für ein weites Anwendungsspektrum nutzbar gemacht.
Vortragsdetails
Vergleich von Methoden zur Manipulation der Trainingsddatenmenge von Support Vektor Maschinen für das inkrementelle Online Lernen
In der Regel sind die Vorträge Teil von Lehrveranstaltungsreihen der Universität Bremen und nicht frei zugänglich. Bei Interesse wird um Rücksprache mit dem Sekretariat unter sek-ric(at)dfki.de gebeten.