Discriminative Dimensionality Reduction (DiDi)

您的位置：我也知道>地区/地区>。降维计划在一个2维的3维空间中的数据，这是一个非常小的空间，从一个小的空间到另一个空间。提出了一种简单易行的解决问题和解决问题的方法，并给出了一种新的确定算法。与此相关的是，这是一种零碎的情况，而且是一种大小不相干的现象。Ziel des vorgeschlagenen Forschungsansatatsist，Dimendedreduzierende VisualisierungsMethoden um a Privative gegebene Zusatz信息以von KlassenLabeln für die Daten zu erweitern and so den Fokus der Visualisierung auf de für die Anwendung Relationanten Aspeckte Zu lenkte Zu lenken的形式提供。Im Rahmen des Projekts soll erforscht Werden，Wie sich Methoden der Dimenduktion print zzipiell zu diskriminativen Visualisierungsverfahren erweitern Lassen，well che ansätze für well che Situationen forgeeignet sind，and Wie die Verfahren für segroçe e Datenmengen angepasst en den können.

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.