Elastische Klassifikatoren für Sequenzen

• Antragsteller: Professor Dr. Brijnesh Jain
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2015 bis 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 290386697

Elastische Lernverfahren sind Lernmethoden für Dynamic Time Warping (DTW) Räume, die klassische Lernverfahren in Euklidischen Räumen um zeitliche Verzerrungsinvarianz erweitern. Die erste Förderphase des Projekts zeigte, dass die Integration von Verzerrungsinvarianz zu deutlich besseren Ergebnissen führte. In diesem Projekt sollen elastische Verfahren für die Klassifikation von Zeitreihen weiter ausgebaut werden. Ziel ist es, elastische Methoden für die Dimensionsreduktion und Deep Learning zu entwicklen, untersuchen und numerisch zu testen. Elastische Dimensionsreduktion lernt komprimierte Zeitreihen und filtert Störterme heraus, um eine bessere Generalisierungsfähigkeit zu erzielen. Verzerrungsinvarianz in Deep Learning lässt sich als integriertes Vorwissen (prior knowledge) über Zeitreihen interpretieren. Die zentrale Forschungsfrage ist: In welchem Maße beeinflusst Verzerrungsinvarianz die Leistungsfähigkeit von Lernmethoden? Dieses Projekt führt den vorher bereits eingeschlagenen Weg fort, mathematisch schwach strukturierte DTW Räume durch verzerrungsinvariante Versionen leistungsstarker Lernmethoden aus Euklidischen Räumen anzureichern. Das erwartete Ergebnis ist, dass die in diesem Projekt entwickelten verzerrungsinvarianten Methoden den State-of-the-Art in der Zeitreihenklassifikation komplementär erweitern.

• DFG-Verfahren: Sachbeihilfen