Observable operator networks: generalizing observable operator models to multivariate random processes with interacting continuous variables

可观察算子网络：将可观察算子模型推广到具有交互连续变量的多元随机过程

• 批准号: 114646652
• 负责人: Professor Dr. Herbert Jaeger
• 金额: --
• 依托单位: Faculty of Science and Engineering
• 依托单位国家: 德国
• 项目类别: Research Grants
• 财政年份: 2009
• 资助国家: 德国
• 起止时间: 2008-12-31 至 2012-12-31
• 项目状态: 已结题
• 来源: https://gepris.dfg.de/gepris/projekt/114646652?language=en
• 关键词: Observable; operator; networks; generalizing; observable

Hidden Markov Modelle (HMMs) sind ein Standardwerkzeug der statistischen Zeitreihenanalyse. Observable Operator Modelle (OOMs) stellen seit einigen Jahren eine Alternative zu HMMs dar. Sie sind mit neuartigen, schnellen Lernverfahren ausgerüstet, die eine höhere statistische Effizienz aufweisen. Die gegenwärtig verfügbaren OOMs sind jedoch auf univariate, diskretwertige Prozesse beschränkt. In der Welt der HMMs hat die Verallgemeinerung von Modellen solcher einfachen Prozesse auf multivariate und gegebenenfalls kontinuierlichwertige das Forschungsfeld der Dynamischen Bayes’schen Netzwerke (DBNs) aufgespannt. Im hier beantragten Projekt schlagen wir eine zu DBNs analoge Verallgemeinerung von den elementaren OOMs auf multivariate und kontinuierlichwertige vor, die auf Observable Operator Netzwerke (OONs) führt. Dabei werden die folgenden, aufeinander aufbauenden Teilziele verfolgt: (1) Verallgemeinerung der bekannten effizienten Lernalgorithmen für elementare OOMs auf diskretwertige input-output OOMs (IO-OOMs). (2) Verallgemeinerung diskretwertiger, univariater OOMs und IO-OOMs auf kontinuierlichwertige, mit Übertragung der Lernalgorithmen. (3) Entwicklung eines nichtlinearen, gerichteten Korrelationsmaßes für zwei Prozesse auf der Basis dieser IO-OOMs, in Analogie zu der verbreitet verwendeten, jedoch linearen Granger causality. (4) Entwicklung multivariater Modelle durch Verknüpfung von IO-OOMs in Netzwerken (d.h. OONs). Transfer der Lernalgorithmen für die Parameterschätzung, und Beginn der Erforschung des (wesentlich schwierigeren) Strukturlernens für OONs unter Verwendung des neuen Korrelationsmaßes. (5) Begleitend zu den Arbeiten (2) – (4), prototypische Anwendungen und Benchmarks auf Grundlage des Epilepsie-Datenkorpus, der von der Universität Freiburg verfügbar gemacht wurde. Diese Daten stellen bedeutende Anforderungen an die Modellierung, da sie ein großes Volumen habven (viele Gigabyte), hochdimensional und nichtstationär sind, sowie ein sehr geringes Signal-Rausch-Verhältnis haben. Die reichhaltige Benchmarkliteratur, welche diese Daten bisher schon generiert haben, erlaubt uns, die Leistungsfähigkeit unserer Methoden mit vielen anderen zu vergleichen.

隐马尔可夫模型 (HMM) 是统计时间分析的标准工具。可观察算子模型 (OOM) 是 HMM 的替代方案。 Sie sind mit neuartigen, schnellen Lernverfahren ausgerüstet, die eine höhere statistische Effizienz aufweisen。 OOM 的运行过程是单变量的，磁盘处理过程是这样的。在 HMM 世界中，模型求解过程是多元的，并且是动态贝叶斯网络 (DBN) 的研究领域的连续性。我的项目是 DBN 的类似 Verallgemeinerung von den elementaren OOMs auf multivariate and kontinuierlichwertige vor, die auf Observable Operator Netzwerke (OONs) führt。总体而言，要解决以下问题： (1) 在磁盘输入输出 OOM (IO-OOM) 中有效地执行 OOM 元素的学习算法。 (2) Verallgemeinerung diskretwertiger, univariator OOMs 和 IO-OOMs auf kontinuierlichwertige, mit Übertragung der Lernalgorithmen。 (3) 在 IO-OOM 的基础上研究 IO-OOM 的基本关系，在类比中解释格兰杰因果关系。 (4) Netzwerken 中的 Entwicklung multivariator Modelle durch Verknüpfung von IO-OOMs (d.h. OONs)。转移参数设定的学习算法，并开始研究新关联关系中 OON 的结构。 (5) Begleitend zu den Arbeiten (2) – (4)，原型 Anwendungen 和 Benchmarks auf Grundlage des Epilepsie-Datenkorpus，der von der Universität Freiburg verfügbar gemacht wurde。该数据主要用于 Anforderungen 和 die Modellierung、大容量存储 (viele Gigabyte)、高维和 Nichtstationär 信德，因此可以使用 Signal-Rausch-Verhältnis haben。 Reichhaltige Benchmarkliteratur, welche diese daten bisher schongeneriert haben, erlaubt uns, die Leistungsfähigkeit unserer Methoden mit vilen anderen zu vergleichen.