KOPS - The Institutional Repository of the University of Konstanz

Effektives Widening mit Hashbasierter Partitionierung des Hypothesenraums

Effektives Widening mit Hashbasierter Partitionierung des Hypothesenraums

Cite This

Files in this item

Checksum: MD5:611eba5f4492afaf814a3045bd729280

FILLBRUNN, Alexander, 2019. Effektives Widening mit Hashbasierter Partitionierung des Hypothesenraums [Dissertation]. Konstanz: University of Konstanz

@phdthesis{Fillbrunn2019Effek-46160, title={Effektives Widening mit Hashbasierter Partitionierung des Hypothesenraums}, year={2019}, author={Fillbrunn, Alexander}, address={Konstanz}, school={Universität Konstanz} }

<rdf:RDF xmlns:dcterms="http://purl.org/dc/terms/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#" xmlns:bibo="http://purl.org/ontology/bibo/" xmlns:dspace="http://digital-repositories.org/ontologies/dspace/0.1.0#" xmlns:foaf="http://xmlns.com/foaf/0.1/" xmlns:void="http://rdfs.org/ns/void#" xmlns:xsd="http://www.w3.org/2001/XMLSchema#" > <rdf:Description rdf:about="https://kops.uni-konstanz.de/rdf/resource/123456789/46160"> <dcterms:issued>2019</dcterms:issued> <dcterms:abstract xml:lang="deu">Im maschinellen Lernen werden Modelle so auf zuvor gesammelte Daten angepasst, dass sie diese Daten einerseits gut beschreiben und es andererseits auch erlauben, neue Daten aus derselben Quelle zu klassifizieren oder zu erklären. Die Anpassung eines Modells an die Daten geschieht dabei bei vielen Lernverfahren durch schrittweises Verändern. Änderungen, die zu einer Verringerung einer Kostenfunktion führen, werden übernom- men, andere verworfen. Damit handelt es sich beim Lernen um eine kombinatorische Optimierung und ein Suchproblem. Der Raum, in dem diese Suche ausgeführt wird, ist der Hypothesenraum, dessen Elemente durch Modelle repräsentiert werden. Inner- halb des Hypothesenraums erschweren topologische Merkmale wie lokale Minima und Maxima die Suche nach den besten Modellen. Trotz ihrer Anfälligkeit für solche Hinder- nisse sind heuristische Greedy-Algorithmen aufgrund ihrer Geschwindigkeit ein belieb- tes Verfahren zum Ermitteln geeigneter Modelle. In den meisten Fällen machen diese Algorithmen jedoch keinen Gebrauch von parallelen Recheneinheiten, wie sie heutzu- tage alltäglich sind. Im sogenannten Widening werden parallele Rechnerarchitekturen genutzt, um Greedy-Algorithmen im maschinellen Lernen zu verbessern, indem der Hy- pothesenraum auf verteilten Recheneinheiten breiter durchsucht wird. Dabei spielt eine große Rolle, dass parallel möglichst unterschiedliche Regionen des Raums durchsucht werden und so kritische Strukturen, wie beispielsweise die oben genannten lokalen Op- tima, umgangen werden können. In bisherigen Arbeiten zu dem Thema wurden dabei vor allem Verfahren erforscht, die entweder keine Kommunikation zwischen den Rechen- einheiten erlauben und den Hypothesenraum vor der Ausführung partitionieren, oder Distanzmaße für die Modelle verwenden, um diese explizit und mit ausgiebiger Kommu- nikation auseinanderzuhalten. In der vorliegenden Arbeit wird mit dem Bucket-Selektor ein Widening-Verfahren vorgestellt, welches mit relativ geringer Kommunikation, aber ohne Berechnung von Distanzen zwischen den Modellen, ein breites Durchlaufen des Hypothesenraums ermöglicht und damit qualitativ bessere Modelle findet als andere Verfahren. Besonders effizient kann diese Methode auf MapReduce-Systemen ausgeführt werden. Am Beispiel von zwei Problemen, dem hierarchischen agglomerativen Cluste- ring und der Join-Order-Optimierung, wird gezeigt, dass der Bucket-Selektor schneller bessere Ergebnisse erzielt als andere Methoden.</dcterms:abstract> <dcterms:rights rdf:resource="https://kops.uni-konstanz.de/page/termsofuse"/> <dc:date rdf:datatype="http://www.w3.org/2001/XMLSchema#dateTime">2019-06-27T10:52:45Z</dc:date> <dspace:hasBitstream rdf:resource="https://kops.uni-konstanz.de/bitstream/123456789/46160/3/Fillbrunn_2-1jg2009qsp3hw8.pdf"/> <dc:contributor>Fillbrunn, Alexander</dc:contributor> <dcterms:isPartOf rdf:resource="https://kops.uni-konstanz.de/rdf/resource/123456789/36"/> <dcterms:hasPart rdf:resource="https://kops.uni-konstanz.de/bitstream/123456789/46160/3/Fillbrunn_2-1jg2009qsp3hw8.pdf"/> <dc:rights>terms-of-use</dc:rights> <void:sparqlEndpoint rdf:resource="http://localhost/fuseki/dspace/sparql"/> <foaf:homepage rdf:resource="http://localhost:8080/jspui"/> <dc:creator>Fillbrunn, Alexander</dc:creator> <dc:language>deu</dc:language> <dcterms:title>Effektives Widening mit Hashbasierter Partitionierung des Hypothesenraums</dcterms:title> <dcterms:available rdf:datatype="http://www.w3.org/2001/XMLSchema#dateTime">2019-06-27T10:52:45Z</dcterms:available> <dspace:isPartOfCollection rdf:resource="https://kops.uni-konstanz.de/rdf/resource/123456789/36"/> <bibo:uri rdf:resource="https://kops.uni-konstanz.de/handle/123456789/46160"/> </rdf:Description> </rdf:RDF>

Downloads since Jun 27, 2019 (Information about access statistics)

Fillbrunn_2-1jg2009qsp3hw8.pdf 82

This item appears in the following Collection(s)

Search KOPS


Browse

My Account