Niet-gesuperviseerd en semi-gesuperviseerd leren met gebruik van kernel methodes.

Dit onderzoeksvoorstel is gericht op het aanpakken van zeer belangrijke uitdagingen en open problemen in niet-gesuperviseerd en semi-gesuperviseerde leermethodes door gebruik te maken van kernel-gebaseerde methodes. Het kader van de kleinste kwadraten support vector machine (LS-SVM) wordt beschouwd als een kernmethodologie. Deze familie van kernel methodes wordt gebruikt binnen een beperkte optimalisatie setting. Het primaire probleem wordt uitgedrukt door positieve definiete kernels. Het primaire probleem wordt uitgedrukt door positieve definiete kernels. De belangrijkste voordelen van deze methodologie zijn de mogelijkheid om het kernmodel uit te breiden door extra beperkingen in het primaire probleem en de out-of-sample uitbreiding, die het toelaat om het bekomen model toe te passen op nieuwe data. De onderzoeksobjectieven die onderzocht zullen worden zijn samengevat in de volgende aspecten: het implementeren van nieuwe selectiecriteria door modellen en ontwerp-criteria, het gebruik van voorkennis in de analyse, het ontwikkelen van verschillende benaderingen voor schaarsheid om om te gaan met grote data sets, het onderzoeken van nieuwe cluster algoritmes en het uitbreiden van de bestaande modellen voor tijdsafhankeleijke data. De methodologieën om deze problemen aan te pakken omvatten het gebruik van de out-of-sample uitbreiding en PageRank algoritmes om schaarsheid te bekomen, het toevoegen van beperkingen om voorkennis en structuur op te nemen, samen met het gebruik van speciale kenmerken van de oplossingen voor de modelselectie en het kernel-ontwerp.

Trefwoorden:Optimization, Model selection, Support vector machines, Kernel methods, Semi-supervised learning, Unsupervised learning

Disciplines:Modellering, Multimediaverwerking