FRINK Linked Data Fragments server

Matches in SemOpenAlex for { <https://semopenalex.org/work/W1961422585> ?p ?o ?g. }

• W1961422585 abstract "Machine learning requires the use of prior assumptions which can be encoded into learning algorithms via regularisation techniques. In this thesis, we examine in three examples how suitable regularisation criteria can be formulated, what their meaning is, and how they lead to efficient machine learning algorithms. Firstly, we describe a joint framework for positive definite kernels, Gaussian processes, and regularisation operators which are commonly used objects in machine learning. With this in mind, it is then straightforward to see that linear differential equations are an important special case of regularisation operators. The novelty of our description is the broad, unifying view connecting kernel methods and linear system identification. We then discuss Bayesian inference and experimental design for sparse linear models. The model is applied to the task of gene regulatory network reconstruction, where the assumed network sparsity improves reconstruction accuracy and our proposed experimental design setup outperforms prior methods significantly. Finally, we examine non-parametric regression between Riemannian manifolds, a topic that has received little attention so far. We propose a regularised empirical risk minimisation framework, ensuring with the help of differential geometry that it does not depend on the representation of the input and output manifold. We apply our approach to several practical learning tasks in robotics and computer graphics. A priori Annahmen sind fur das maschinelle Lernen unabdingbar, und eine Moglichkeit, diese Annahmen in Lernalgorithmen zu kodieren, ist die Regularisierung. In dieser Dissertation wird anhand von drei Beispielen untersucht, wie man sinnvolle Regularisierungskriterien formulieren kann und wie daraus effiziente Lernalgorithmen entstehen. Zuerst werden Zusammenhange zwischen positiv definiten Kernen, Gausprozessen und Regularisierungsoperatoren, wie sie haufig im maschinellen Lernen verwendet werden, beschrieben. Dabei wird klar, dass lineare Differentialgleichungen einen wichtigen Spezialfall solcher Operatoren darstellen, und dass Kernmethoden daher eng mit der linearen Systemidentifikation verwandt sind. Danach wird Bayessche Inferenz und Versuchsplanung in dunnbesetzten, linearen Modellen diskutiert. Das Modell wird auf die Rekonstruktion von genetischen Interaktionsnetzwerken angewendet. Durch die Annahmne, dass die zu schatzenden Vektoren dunnbesetzt sind, und durch die neuartige Versuchsplanungsmethode ergeben sich signifikante Verbesserungen der Rekonstruktion. Schlieslich wird nichtparametrische Regression zwischen Riemannschen Mannigfaltigkeiten mittels regularisierter, empirischer Risikominimierung untersucht. Es wird darauf geachtet, dass die Regularisierung unabhangig von der Darstellung der Mannigfalitgkeiten ist. Die vorgestellte Methode wird anhand verschiedener Beispiele aus der Robotik und der Computergraphik getestet." @default.
• W1961422585 created "2016-06-24" @default.
• W1961422585 creator A5061771730 @default.
• W1961422585 date "2009-09-21" @default.
• W1961422585 modified "2023-09-27" @default.
• W1961422585 title "From differential equations to differential geometry : aspects of regularisation in machine learning" @default.
• W1961422585 cites W1483307070 @default.
• W1961422585 cites W1486164486 @default.
• W1961422585 cites W1509235676 @default.
• W1961422585 cites W1516111018 @default.
• W1961422585 cites W1524590822 @default.
• W1961422585 cites W1534420431 @default.
• W1961422585 cites W1569232208 @default.
• W1961422585 cites W1575834508 @default.
• W1961422585 cites W1585247684 @default.
• W1961422585 cites W1621614599 @default.
• W1961422585 cites W1623155147 @default.
• W1961422585 cites W1648445109 @default.
• W1961422585 cites W1746819321 @default.
• W1961422585 cites W1774304772 @default.
• W1961422585 cites W1855309718 @default.
• W1961422585 cites W1934021597 @default.
• W1961422585 cites W1949248870 @default.
• W1961422585 cites W1965324089 @default.
• W1961422585 cites W1966949944 @default.
• W1961422585 cites W1971266246 @default.
• W1961422585 cites W1972764318 @default.
• W1961422585 cites W1974228548 @default.
• W1961422585 cites W1976641808 @default.
• W1961422585 cites W1980580116 @default.
• W1961422585 cites W1982241268 @default.
• W1961422585 cites W1986578548 @default.
• W1961422585 cites W1988236437 @default.
• W1961422585 cites W1988889362 @default.
• W1961422585 cites W1999690352 @default.
• W1961422585 cites W2001133651 @default.
• W1961422585 cites W2001141328 @default.
• W1961422585 cites W2002355073 @default.
• W1961422585 cites W2007154098 @default.
• W1961422585 cites W2014018052 @default.
• W1961422585 cites W2020934227 @default.
• W1961422585 cites W2030394252 @default.
• W1961422585 cites W2032539996 @default.
• W1961422585 cites W2044060118 @default.
• W1961422585 cites W2045311917 @default.
• W1961422585 cites W2056107007 @default.
• W1961422585 cites W2063157981 @default.
• W1961422585 cites W2064233581 @default.
• W1961422585 cites W2065868453 @default.
• W1961422585 cites W2069663974 @default.
• W1961422585 cites W2070974284 @default.
• W1961422585 cites W2072931016 @default.
• W1961422585 cites W2074268428 @default.
• W1961422585 cites W2077611535 @default.
• W1961422585 cites W2086220442 @default.
• W1961422585 cites W2093889886 @default.
• W1961422585 cites W2099953968 @default.
• W1961422585 cites W2100483895 @default.
• W1961422585 cites W2100495482 @default.
• W1961422585 cites W2110070747 @default.
• W1961422585 cites W2111296615 @default.
• W1961422585 cites W2112090702 @default.
• W1961422585 cites W2114867107 @default.
• W1961422585 cites W2115003579 @default.
• W1961422585 cites W2124637492 @default.
• W1961422585 cites W2125903589 @default.
• W1961422585 cites W2125904845 @default.
• W1961422585 cites W2131717552 @default.
• W1961422585 cites W2132914434 @default.
• W1961422585 cites W2133294540 @default.
• W1961422585 cites W2134759932 @default.
• W1961422585 cites W2135046866 @default.
• W1961422585 cites W2136154655 @default.
• W1961422585 cites W2139439234 @default.
• W1961422585 cites W2140611763 @default.
• W1961422585 cites W2140710100 @default.
• W1961422585 cites W2146766088 @default.
• W1961422585 cites W2147751396 @default.
• W1961422585 cites W2151467704 @default.
• W1961422585 cites W2152826865 @default.
• W1961422585 cites W2154084374 @default.
• W1961422585 cites W2156909104 @default.
• W1961422585 cites W2160533336 @default.
• W1961422585 cites W2166106382 @default.
• W1961422585 cites W2166471851 @default.
• W1961422585 cites W2170316986 @default.
• W1961422585 cites W2172224951 @default.
• W1961422585 cites W2237250383 @default.
• W1961422585 cites W2274719338 @default.
• W1961422585 cites W2611370172 @default.
• W1961422585 cites W2792213565 @default.
• W1961422585 cites W2797466362 @default.
• W1961422585 cites W2913976752 @default.
• W1961422585 cites W2915870397 @default.
• W1961422585 cites W2971788173 @default.
• W1961422585 cites W3021722416 @default.
• W1961422585 cites W3021971632 @default.
• W1961422585 cites W3039012497 @default.
• W1961422585 cites W3105418769 @default.
• W1961422585 cites W3119651796 @default.

• next