Probabilistic machine learning for pattern recognition and design exploration

Cremanns, Kevin; Roos, Dirk; Reh, Stefan; Münstermann, Sebastian

doi:10.18154/RWTH-2021-01905

Probabilistic machine learning for pattern recognition and design exploration

Cremanns, Kevin

2021

Verantwortlichkeitsangabevorgelegt von M.Sc. Kevin Cremanns

ImpressumAachen : RWTH Aachen University 2021

Umfang1 Online-Ressource : Illustrationen, Diagramme

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2021

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak05

Hauptberichter/Gutachter
Reh, Stefan (Thesis advisor) ; Münstermann, Sebastian (Thesis advisor)^RWTH* ; Roos, Dirk (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2021-02-10

Online
DOI: 10.18154/RWTH-2021-01905
URL: https://publications.rwth-aachen.de/record/813701/files/813701.pdf

Einrichtungen

Inhaltliche Beschreibung (Schlagwörter)
Bayesian optimization (frei) ; design of experiment (frei) ; gaussian processes (frei) ; machine learning (frei) ; neural networks (frei) ; sensitivity analysis (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Die folgende Arbeit befasst sich mit der Entwicklung neuer probabilistischer Modelle auf Basis des maschinellen Lernens, mit dem Fokus auf Effizienz, Flexibilität, Anwendbarkeit, Skalierbarkeit und einer möglichst hohen Prognosegüte. Dabei werden Problemstellungen aus den Bereichen: Regression, Klassifizierung, Bilderkennung, Zeitreihen und die Abbildung von räumlich und / oder zeitlich korrelierten Größen behandelt. Um diese Ziele zu erreichen, wird neben der Entwicklung der Modelle, auch deren Zusammenspiel mit dem Themenfeld der Datenerzeugung untersucht. Dabei wird die berechenbare Unsicherheit der probabilistischen Modelle genutzt, um mit möglichst wenig Datenpunkten den maximalen Informationsgewinn zu erlangen. Diese Methodik wird ebenfalls für die effiziente Lösung von Optimierungsfragestellungen genutzt. Um nicht nur ein möglichst genaues Modell der Daten zu erhalten, sondern auch um ein tieferes Verständnis der Zusammenhänge zu erlangen, sind Methoden der Sensitivitätsanalyse ein weiterer Bestandteil dieser Arbeit. Die entwickelten probabilistischen Modelle werden dazu verwendet, die bei der Sensitivitätsanalyse notwendigen Berechnungen so effizient wie möglich durchzuführen, unter anderem auch für korrelierte Eingangsgrößen.

The following thesis deals with the development of new probabilistic machine learning models with a focus on efficiency, flexibility, applicability, scalability and high prediction accuracy. Therefore, learning tasks from the areas of regression, classification, image classification, time series as well as the representation of spatial and / or temporally correlated quantities are examined. In order to achieve these goals and in addition to the development of the models themselves, their interaction to the field of data generation is also investigated. The calculable uncertainty of the probabilistic models is used to obtain the maximum information gain with as few data points as possible. This methodology is also used for the efficient solving of optimization problems. Besides obtaining an accurate approximation model of the data, a deeper understanding of the correlations between input and output is desired, therefore the topic of sensitivity analysis is a further part of this work. The developed probabilistic models are used to evaluate the number of calculations needed to estimate the sensitivities as efficiently as possible, even for correlated inputs.

OpenAccess:
PDF
(additional files)