Indefinite proximity learning for multi-view structured data
Betere methodes voor machine learning met weinig data
Machine learning vormt steeds meer ons dagelijks leven, van aanbevelingen op sociale media tot milieuwetenschappen of medische diagnoses. Veel datasets uit de praktijk – zoals DNA-sequenties, connecties in sociale netwerken of patiëntendossiers in een ziekenhuis – hebben echter complexe structuren waarmee moderne, populaire technieken zoals deep learning niet effectief kunnen omgaan, zeker als er weinig data beschikbaar is. In zijn proefschrift verbetert Maximilian Munch klassieke methoden en ontwikkelt hij nieuwe methodologieën om zulke gestructureerde data effectiever te analyseren.
Doorgaans dwingen traditionele benaderingen data in versimpelde wiskundige vormen, waardoor vaak belangrijke informatie verloren gaat. Munch omarmt daarentegen de natuurlijke complexiteit van gestructureerde data, door slimme transformatietechnieken te ontwikkelen die essentiële patronen behouden en de data tegelijkertijd analyseerbaar maken voor computers. In het algemeen introduceert Munch twee belangrijke innovaties. Ten eerste beschrijft Munch verbeterde methoden voor het verwerken van individuele complexe datasets, die de analyse sneller en nauwkeuriger maken en minder computergeheugen gebruiken. Deze technieken werken bijzonder goed wanneer data schaars is – een veelvoorkomende uitdaging in medisch onderzoek en andere gespecialiseerde vakgebieden. Ten tweede ontwikkelde Munch nieuwe benaderingen om meerdere perspectieven van dezelfde data te combineren.
Vergelijkbaar met hoe het bekijken van een object vanuit verschillende hoeken een beter begrip geeft, levert het analyseren van data vanuit meerdere gezichtspunten rijkere inzichten op. De ontwikkelde fusiemethoden combineren deze perspectieven op een intelligente manier, wat leidt tot een betere classificatienauwkeurigheid dan bestaande technieken. Door effectiever leren van beperkte, gestructureerde data mogelijk te maken, verlegt dit werk de grenzen van traditionele machine learning en wordt geavanceerde data-analyse toegankelijk voor reële wetenschappelijke en industriële uitdagingen.
Maximilian Munch voerde zijn onderzoek uit bij het Bernoulli Institute for Mathematics, Computer Science and Artificial Intelligence, afdeling Intelligente Systemen. Hij vervolgt zijn loopbaan als research associate bij de Technical University of Applied Sciences Würzburg-Schweinfurt.