Optimierung von Magnet-Resonanz-Tomographie Messsequenzen durch Bayessches Maschinelles Lernen
Zusammenfassung der Projektergebnisse
Die Statistiken natürlicher Bilder zeigen Variationen auf vielen Skalen, die auch hierarchisch organisiert sind. In unserer Arbeit erfassen wir diese durch ein hierarchisches Skalen-Mixtur-Modell, entlang eines sogenannten wavelet trees. Eine skalierbare Methodik ist für die Anwendung auf hochaufgelöste Bilder unerläßlich. Wir erweiterten unsere effiziente Bayessche Inferenz-Technologie auf Skalen-Mixtur-Modelle. Die neue Methode führte zu deutlichen Verbesserungen auf Bildverarbeitungsproblemen wie Entrauschen und Bildkorrektur (inpainting), wobei die Rechenzeit im Vergleich mit der baseline nur mäßig ansteigt. Bei kollaborativen Lernen von Präferenzen geht es darum, die Vorlieben einer Anzahl von Benutzern relativ zu einem oft sehr großen Produktkatalog zu schätzen, damit zum Beispiel Kaufvorschläge gezielt erfolgen können. Dazu wird jedem Benutzer-Produkt-Paar eine utility zugeordnet, als Maß der Präferenz. Natürlich bleiben die allermeisten Einträge dieser utility matrix unbeobachtet. Wir stellten ein neues utility Modell vor, welches den im collaborative filtering üblichen bilinearen Term um eine nichtparametrische Funktion von Produkt-Merkmalen ergänzt. Während bei beliebten Produkten oder aktiven Benutzern der bilineare Term überwiegt, fährt die nichtparametrische Ergänzung gerade bei Nischenprodukten oder neuen Benutzern zu deutlichen Verbesserungen, wie wir in einer Studie auf mehreren Datensätzen demonstriert haben. Dank einem neuen Algorithmus ist unser hybrider Ansatz kaum teurer in der Laufzeit und im Speicherbedarf als ein rein bilinearer. Die Arbeit dient als Basis für weitere Entwicklungen. Zum Beispiel wollen wir zeitabhängige Daten impliziter Natur einbeziehen, wie etwa die playlists von Benutzern eines online music streaming services. Einige Ziele des sehr ambitionierten Projektes konnten nicht erreicht werden. Vor allem die Einbringung moderner Methoden des Bayesschen maschinellen Lernens in die MRT Forschung oder gar Praxis ist leider nur sehr begrenzt gelungen. In der Ansicht des Antragstellers vermindert diese Entwicklung nicht die Relevanz des vorgestellten Projektes.
Projektbezogene Publikationen (Auswahl)
- Large Scale Variational Bayesian Inference for Structured Scale Mixture Models. International Conference on Machine Learning 29, 2012
Y. J. Ko and M. Seeger
- Can Multi-Channel FID Navigators Quantify Head Motion? Abstract, ISMRM 21, 2013
M. Babayeva, T. Kober, M. Herbst, J. Hennig, M. Seeger, R. Gruetter, M. Zaitsev and G. Krueger
- Scalable Collaborative Bayesian Preference Learning. Workshop on Artificial Intelligence and Statistics 17, 2014
M. E. Khan, Y. J. Ko and M. Seeger
