Anwendbare Statistische Lerntheorie: Abschätzungen zur uniformen Konvergenz sollen in einfach, genaue und praktikable Algorithmen umgeformt werden

• Antragsteller: Dr. Alexander Smola, Ph.D.
• Fachliche Zuordnung: Theoretische Informatik
• Förderung: Förderung von 1999 bis 2002
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 5205162

Ziel des Forschungsprojekts ist es, die Methoden statistischer Lernthorie praktisch anwendbar zu machen und damit die Lücke zwischen theoretischen Vorhersagen und deren konkreter Anwendbarkeit zu schließen. Dies ist relevant und nötig, da bisher in vielen Fällen die Vorhersagen viel zu konservativ, d. h. die Konfidenzintervalle deutlich zu groß waren, oder die Verfahren vom Endanwender zu hohe Kenntnisse erwarteten. Mit anderen Worten - Ziel ist es, genaue und einfach anwendbare Verfahren zur statistischen Vorhersage zu entwickeln. Ferner sollen die Fortschritte auf dem Gebiet kernbasierter Algorithmen wie der Support Vektoren, der Gaussprozesse, der Kern-PCA, sowie der Modellselektion auf weiteren Gebieten fruchtbar gemacht werden. Insbesondere plane ich, moderne Konzepte der Kapazitätskontrolle auch auf Neuronale Netzwerke, unüberwachtes Lernen und generative Modelle anzuwenden. Schließlich ist geplant, die Idee des "large Margins", oder genaugenommen der entsprechenden Verteilung, weiter zu entwickeln, und daraus neue Algorithmen zu gewinnen.

• DFG-Verfahren: Forschungsstipendien