权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

Relevanzlernen für temporale neuronale Karten / Relevance Learning for temporal Neural Maps

时间神经图的相关性学习

基本信息

批准号：
73745536
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：
2008
资助国家：
德国
起止时间：
2007-12-31 至 2012-12-31
项目状态：
已结题

来源：
https://gepris.dfg.de/gepris/projekt/73745536?language=en
关键词：
Relevanzlernen temporale neuronale Karten Relevance

项目摘要

Ein überwältigender Anteil der Daten, mit denen Ingenieure und Wissenschaftler gegenwärtig umgehen, besitzen einen zeitlichen Kontext, und das schiere Volumen verhindert, dass mehr als ein kleiner Bruchteil je direkt betrachtet werden kann. Daher werden Techniken, diese Daten automatisch zu explorieren und visualisieren, dringend benötigt. Relevante hochsensitive Technologien der Chemie, Medizin und Biologie wie etwa die Massenspektrometrie führen zu extrem hochdimensionalen und oft nichtlinearen Zeitreihen. Diese sind gleichzeitig extrem kurz, da für die Datengewinnung menschliche Interaktion wie etwa die Entnahme von Blutproben nötig ist. Heutige Verfahren der Dateninspektion, auf denen die aktuellen Toolboxen der Anwender aufsetzen, sind nur sehr eingeschränkt fähig, diese extrem hochdimensionalen und sehr kurzen Daten adäquat zu verarbeiten, und es besteht der Bedarf für neuartige Data Mining Tools um mit derartigen Situationen robust umzugehen. Ziel dieses Vorhabens ist die Entwicklung von Data Mining Methoden in unüberwachten und partiell überwachten Szenarien für kurze hochdimensionale temporale Sequenzen, die Relevanzbestimmung, Visualisierung und Inspektion von Daten etwa der Biomedizin erlauben. Die Modelle sollen auf neuronalen Karten und Erweiterungen basieren, die mit den Prinzipien der lernenden Metriken und rekurrenter Verarbeitung zeitlicher Daten kombiniert werden.

在一个更大的数据时代，工程师和科学家们都在努力，创造一个时代的背景，并把它的体积缩小，这样梅尔就可以直接把它韦尔登。Daher韦尔登Techniken，diese Daten automatisch zu explorieren und visualisieren，dringend benötigt.化学、医学和生物学的相关高灵敏度技术具有极高的维度和通常不具有线性的特征。这是一个极端的问题，因为数据收集和相互交流的方式不适合血液传播。Heutige Verfahren der Datenspektion，auf denen die aktuellen Toolboxen der Anwender aufsetzen，sind nur sehr eingeschränkt fähig，diese extreme hochdimensionalen and sehr kurzen daten adäquat zu verarbeiten，and es besteht der Bedarf f ür nearartige Data Mining Tools um mit derartigen Situationen robust umzugehen.这是数据挖掘方法的一个重要方面，也是数据挖掘方法的一部分，主要用于生物医学数据的时间序列、相关性评估、可视化和数据监测。该模型基于神经元模型和神经元模型，具有学习计量学原理，并能反映韦尔登的实时数据。