Geavanceerde kernel modellen voor niet gesuperviseerd en semi-gesuperviseerd leren.

In dit onderzoeksproject worden belangrijke uitdagingen en blijvende problemen behandelt die ontstaan bij het toepassen van niet gesuperviseerd en semi-gesuperviseerd leren met behulp van geavanceerde kernel-gebaseerde modellen. Dit type van machine leren paradigma heeft recentelijk meer en meer aandacht gekregen, dit voornamelijk door de succesvolle toepassingen bij hoogdimensionale data en de mogelijkheid om op een efficiënte manier non-lineariteit toe te voegen aan de modellen. De doelstellingen die hierbij onderzocht worden zijn samengevat in de volgende aspecten: het ontwikkelen van een kader dat de verschillende formuleringen omvat en verbindt, het toevoegen van voorkennis aan de analyse, het formuleren van sparse modellen om te kunnen omgaan met de tegenwoordig beschikbare exponentieel toenemende hoeveelheid gegevens, het ontwikkelen en ontwerpen van modelselectie criteria voor een brede variatie van methodetypes en toepassingen en het verbeteren van de bestaande kernel modellen. Deze doelstellingen zullen verwezenlijkt worden binnen het kader van optimalisatie, gebruik makend kernel modellen.

Trefwoorden:Model selection, Optimization, Semi-supervised learning, Unsupervised learning, Kernel methods, Machine learning

Disciplines:Artificiële intelligentie, Cognitieve wetenschappen en intelligente systemen, Toegepaste wiskunde, Computerarchitectuur en -netwerken, Distributed computing, Informatiewetenschappen, Informatiesystemen, Programmeertalen, Scientific computing, Theoretische informatica, Visual computing, Andere informatie- en computerwetenschappen