Discriminative Dimensionality Reduction (DiDi)

判别降维 (DiDi)

• 批准号: 206827914
• 负责人: Professorin Dr. Barbara Hammer
• 金额: --
• 依托单位: Arbeitsgruppe Maschinelles Lernen
• 依托单位国家: 德国
• 项目类别: Research Grants
• 财政年份: 2012
• 资助国家: 德国
• 起止时间: 2011-12-31 至 2015-12-31
• 项目状态: 已结题
• 来源: https://gepris.dfg.de/gepris/projekt/206827914?language=en
• 关键词: Discriminative; Dimensionality; Reduction; DiDi

Elektronisch verfügbare Datenmengen wachsen rapide, so dass Benutzer, die Datenvolumen schnell nach nützlicher Information scannen möchten, auf maschinelle Unterstützung angewiesen sind. Dimensionsreduktion projiziert hochdimensionale Daten in den 2- oder 3-dimensionalen Euklidischen Raum und stellt so eine weit verbreitete Schnittstelle, um gegebene Daten direkt auf dem Bildschirm darzustellen. Dimensionsreduktion ist allerdings ein inhärent mehrdeutiges Problem und das jeweilige Ergebnis ist stark von der gewählten Methode, deren Parametern und im Fall nichtdeterministischer Algorithmen sogar Zufallskomponenten abhängig. Die Relevanz der jeweiligen Visualisierung für die gegebene Situation ist oft fragwürdig, und es kann vorkommen, dass Dimensionsreduktionsmethoden auf irrelevante Aspekte oder Rauschen in den Daten fokussieren. Ziel des vorgeschlagenen Forschungsansatzes ist, dimensionsreduzierende Visualisierungsmethoden um a priori gegebene Zusatzinformation in Form von Klassenlabeln für die Daten zu erweitern und so den Fokus der Visualisierung auf die für die Anwendung relevanten Aspekte statt Zufallsaspekte zu lenken. Im Rahmen des Projekts soll erforscht werden, wie sich Methoden der Dimensionsreduktion prinzipiell zu diskriminativen Visualisierungsverfahren erweitern lassen, welche Ansätze für welche Situationen besonders geeignet sind, und wie die Verfahren für sehr große Datenmengen angepasst werden können.

电子学的数据处理速度很快，因此，Benutzer的数据量很快就能扫描到新的信息，并在机器上运行。在二维或三维的Euklidischen空间中，投影减少了高维度的数据，并使一个非常简单的Schnittstelle，一个简单的数据直接指向图像。简化是一个内在的复杂问题，而简化的结果是一个明显的方法，参数和秋天不是确定性的，所以Zufallskomponenten abhängig。Die Relevanz der jeweiligen Visualisierung für die gegebene Situation ist often fragwürdig，and es kann vorkommen，dass discussionsreduktionsmethoden auf irrelevante Aspekte or der Rauschen in den Daten fokussieren. Ziel des vorgeschlagenen Forschungsansatzes is，dimensionsreduzierende Visualisierungsmethoden um a priori gegebene Zusatzinformation in Form von Klassenlabeln für die Daten zu erweitern and so den Fokus der Visualisierung auf die Anwendung relevanten Aspekte statt Zufallsaspekte zu lenken. Im Rahmen des Projekts soll erforscht韦尔登，如这种方法减少犯罪的原则，以diskriminativen Visualisierungsverfahren erweitern lassen，welche Ansätze für welche Situationen besonders geeignet sind，和wie die Verfahren für sehr große Datenmengen angepasst韦尔登könen。