ITEM METADATA RECORD
Title: Eigenspace Methods and Subset Selection in Kernel Based Learning (Eigenruimte methodes en subset selectie in kernel gebaseerde lerende systemen)
Other Titles: Eigenspace Methods and Subset Selection in Kernel Based Learning
Authors: Hoegaerts, Luc; S0001577
Issue Date: 1-Jun-2005
Abstract: <!-- @page { size: 8.27in 11.69in; margin: 0.79in } P { margin-bottom: 0.08in } --&gt;De laatste decennia werden gekenmerkt door een aanzienlijke toename van de hoeveelheid en complexiteit van informatie, die de capaciteit om de data te verwerken en te interpreteren ver overtreft. Inferentiemiddelen voor gegevensontginning en kennisextractie vinden hun basis in artificiële intelligentie, lerende machines en statistiek. In deze thesis veralgemenen of breiden we enkele van de methodes uit die gebaseerd zijn op het kernel paradigma. Dit is de laatste generatie van modellen die (niet-)lineaire relaties tussen gegeven paren van voorbeelden kunnen beschrijven, zoals bvb.~in classificatie- en regressieproblemen. We verrichtten onderzoek rond vijf thema's: (i) we leiden een primair-duale interpretatie af voor Kernel Partial Least Squares en reiken een unificerend interpretatiekader aan voor een verzameling van reeds bestaande kleinste kwadraten gebaseerde kernel regressie methodes in een Reproducerende Kernel Hilbert ruimte, (ii) we voorzien deze methodes van een spaarse formulering via de Nystrom benadering, wat toelaat om kernel regressie op zeer grote data sets toe te passen met beperkt verlies van nauwkeurigheid, (iii) we verkennen mogelijke up/downdating strategieën voor Least Squares Support Vector Machines, met geïnduceerde data punt selectiecriteria, (iv) we ontwikkelen een nieuw tracking algoritme om de dominante eigenruimte van de kernel matrix efficient te benaderen (v) we leiden een veralgemeende Grassmann-Rayleigh Quotient Iteratie af voor de berekening van de beste rang-(R1,R2,R3) benadering van hogere-orde tensoren.
Publication status: published
KU Leuven publication type: TH
Appears in Collections:ESAT - STADIUS, Stadius Centre for Dynamical Systems, Signal Processing and Data Analytics

Files in This Item:

There are no files associated with this item.

Request a copy

 




All items in Lirias are protected by copyright, with all rights reserved.