Kernel Selection for Kernel Methods (KMs) and Support Vector Machines (SVMs)
Peter Haslinger
Peter Haslinger’s Doktorarbeit, betreut von Dr. Ulrich Bodenhofer (Johannes Kepler Universität Linz), beschäftigt sich mit dem grundlegenden Problem der Selektion von sogenannten Kernen (engl. Kernels) für Kernel Methoden (KMs) und Support Vector Maschinen (SVMs). KMs und SVMs sind gebräuchliche Werkzeuge aus dem Anwendungsgebiet des maschinellen Lernens und werden für Klassifikations- und Regressionsprobleme verwendet. Basierend auf die Vapnik-Chervonenkis Theorie, weisen diese Methoden ein sehr gutes Generalisierungsverhalten auf. Diese Methoden sind daher – auf Grund ihrer guten Generalisierung – besonders im Bereich der Computer Vision und des Bildverarbeitung von Interesse. Dort werden sie bereits im Bereich der Objekterkennung erfolgreich angewandt. Eine zentrale noch nicht gelöste Frage in diesem Bereich ist die noch fehlende Theorie für die Wahl eines zur gegebenen Problemstellung passenden Kernels. Interessanterweise werden nur einige wenige Klassen von Kernen zur Lösung von Problemen hergenommen. Im Bereich der Bildverarbeitung ist z.B. hauptsächlich der Gaußsche Kernel in Verwendung. Das Ziel der Dissertation ist die Untersuchung von unterschiedlichen Kernel Klassen, um Hinweise und Kriterien für die richtige Wahl eines Kernels – passend zu der entsprechenden Anwendung – zu finden. Hauptaugenmerk liegt dabei wieder auf die Anwendung im Bereich der Bildverarbeitung.
zurück