Diskriminatives Lernen von Bayesschen Netz Klassifikatoren

Im letzten Jahrzehnt haben sich Bayessche Netzwerke zur Repräsentation von Unsicherheiten im Gebiet des maschinellen Lernens etabliert. Bayessche Netzwerke kommen in vielen Forschungsgebieten zum Einsatz, wie zum Beispiel in der Bioinformatik, der Bildverarbeitung, der Spracherkennung, der Kodierungstheorie oder im Gebiet der künstlichen Intelligenz. Die Forschung im Bereich der graphischen Modelle konzentriert sich derzeit auf zwei Bereiche. Einerseits wird an neuen effizienteren Methoden für approximierte Inferenz gearbeitet. Andererseits wird an Parameter- und Strukturlernverfahren von Bayesschen Netzwerken geforscht. Dabei gibt es zwei verschiedene Ansätze: Generatives und diskriminatives Lernen. Das Ziel des Forschungsprojekts ist, an diskriminativen Struktur- und Parameterlernverfahren für Bayessche Netzwerke zu arbeiten und Bedingungen zu finden, in welchen Fällen eine diskriminativ gelernte Struktur mit generativ gelernten Parametern ausreichend ist. Ausserdem sollen die entwickelten diskriminativen Methoden anhand von Experimenten mit bekannten generativen Lernverfahren verglichen werden. Zur Evaluierung sollen Datensätze vom UCI repository und von einer Oberflächeninspektionsanwendung zum Einsatz kommen.

Menschen produzieren heute Unmengen von Daten. Bild- und Audiodaten, wie zum Beispiel aus bildgebenden Diagnoseverfahren oder Sprachaufnahmen, sind in der Regel mit Unsicherheiten behaftet. Zur Klärung damit verbundener Fragen reichen allein logik-basierte Ansätze nicht aus. Dafür können so genannte "Bayessche Netzwerke" als eine probabilistische Methode zur Beschreibung und Analyse von Daten eingesetzt werden. Im letzten Jahrzehnt haben sich Bayessche Netzwerke zur Repräsentation von Unsicherheiten im Gebiet des maschinellen Lernens etabliert. Dieses Projekt ermöglichte Forschung auf dem Gebiet des diskriminativen Struktur- und Parameterlernens für Bayessche Netzwerke. Wir entwickelten eine einfache und effiziente auf Ordnungen beruhende Methode zum Lernen von diskriminativen Strukturen in generativen Netzen. Weiters wurden diskriminative Parameterlernalgorithmen entwickelt, welche die Klassifikationsrate verbessern. Alle entwickelten Methoden wurden an Sprach- und Handschrifterkennungsproblemen evaluiert.