Bei Maschinellem Lernen Kluft zwischen sequentieller und statistischer Mustererkennung verkleinern

Klassifizierung von Sequenzen tritt in verschiedenen Anwendungsgebieten auf, wie z.B. in der Genomanalyse, bei der Erkennung von Anomalien und in der Gestenerkennung. Die meisten Standardverfahren aus dem Maschinellen Lernen können nicht direkt auf derartige Probleme angewendet werden, weil das Konzept des Gradienten für verformungsinvariante (elastische) Funktionen auf Sequenzen undefiniert ist. Ziel dieses Projekts ist es, die bestehende Kluft zwischen sequentieller und statistischer Mustererkennung zu verkleinern. Um dieses Ziel zu erreichen, wählen wir folgenden Ansatz: (1) Untersuchung geometrischer Eigenschaften von Sequenzräumen, die mit einer elastischen Distanzfunktion ausgestattet sind, (2) Verallgemeinerung von gradienten-basierten Klassifikationsverfahren auf elastische Sequenzräume, und (3) empirische Untersuchung der Leistungsfähigkeit und der Eigenschaften von elastischen Klassifikationsverfahren durch kontrollierte numerische Experimente und durch Vergleich mit dem Stand der Technik. Erste Ergebnisse mit einfachsten elastischen Klassifikationsverfahren auf Zeitreihen legen nahe, dass der in diesem Projekt zu untersuchende Ansatz das Potenzial besitzt, bestehende State-of-the-Art Verfahren in der Sequenzklassifikation zu ergänzen.