Schemainferenz und maschinelles Lernen

(Projekt aus Eigenmitteln)

Titel des Gesamtprojektes:
Projektleitung: Richard Lenz
Projektbeteiligte:
Projektstart: 1. August 2018
Projektende:
Akronym: SIML
Mittelgeber:
URL:

Abstract

Im Rahmen des Projekts SIML (Schemainferenz und
maschinelles Lernen) sollen aus unstrukturierten und semi-strukturierten Daten Informationen gewonnen werden, aus denen ein partielles konzeptuelles Schema abgeleitet werden kann. Methoden der topologischen Datenanalyse (TDA) werden in Kombination mit maschinellen Lernverfahren eingesetzt um dies weitestgehend zu automatisieren. Die Untersuchung von topologischen Merkmalen bietet eine Möglichkeit Informationen über Daten zu gewinnen, die als qualitativ verstanden werden. Insbesondere interessieren wir uns für eine stabile, persistente Form von natürlichen Daten bei der Verwendung von unüberwachten Lernverfahren. Als Kernkonzept sollen funktionale Abhängigkeiten nach der Aufbereitung der Daten untersucht werden, mit deren Hilfe anschließend ein geeignetes Schema definiert werden kann. Dabei gibt es Parallelen und Unterschiede für Zeitreihen bzw. persistente Daten, die ebenfalls herausgearbeitet werden sollen.

Motivation des Projekts ist der Nachweis, dass Schemata
eine natürliche geometrische Struktur in Form eines Simplizialkomplexes aufweisen,
die mittels topologischer Methoden untersucht bzw. sichtbar gemacht werden kann.

Publikationen

Melodia L., Lenz R.:
Persistent Homology as Stopping-Criterion for Voronoi Interpolation
20th International Workshop on Combinatorial Image Analysis (Novi Sad, 16. Juli 2020 - 18. Juli 2020)
In: Tibor Lukić, Reneta P. Barneva, Valentin E. Brimkov, Lidija Čomić, Nataša Sladoje (Hrsg.): Proceedings of the 20th International Workshop on Combinatorial Image Analysis, Berlin: 2020
DOI: 10.1007/978-3-030-51002-2
URL: https://link.springer.com/book/10.1007/978-3-030-51002-2
BibTeX: Download
Melodia L., Lenz R.:
Estimate of the Neural Network Dimension Using Algebraic Topology and Lie Theory
Image Mining. Theory and Applications VII (Mailand, 10. Januar 2021 - 11. Januar 2021)
In: Alberto Del Bimbo, Rita Cucchiara, Stan Sciaroff, Giovanni Maria Farinella, Tao Mei, Marco Bertini, Hugo Jair Escalante, Roberto Vezzani (Hrsg.): Pattern Recognition and Information Forensics, Schweiz: 2021
DOI: 10.1007/978-3-030-68821-9_2
URL: https://www.springer.com/gp/book/9783030688202
BibTeX: Download
Melodia L., Lenz R.:
Homological Time Series Analysis of Sensor Signals from Power Plants
Machine Learning for Irregular Time Series (Bilbao, 13. September 2021 - 13. September 2021)
In: Springer (Hrsg.): Machine Learning and Principles and Practice of Knowledge Discovery in Databases, Cham: 2022
DOI: 10.1007/978-3-030-93736-2\_22
URL: https://link.springer.com/book/10.1007/978-3-030-93736-2
BibTeX: Download