- search hit 1 of 1
Aufgabenfokussierung von Autoencodern und automatisches Transferlernen
- Hohe Kosten bei der Annotation von Daten führen dazu, dass datensparsamere Wege zum Erstellen von Modellen gesucht werden. In dieser Arbeit wird ein Lösungsansatz untersucht, der ausgehend von fokussierten Repräsentationen, datensparsame Lösungen für verschiedene Aufgaben finden soll. Durch einen Multi-Task-Learning-Ansatz trägt das Finden einer Repräsentation gleichzeitig zum Lösen einer AufgabeHohe Kosten bei der Annotation von Daten führen dazu, dass datensparsamere Wege zum Erstellen von Modellen gesucht werden. In dieser Arbeit wird ein Lösungsansatz untersucht, der ausgehend von fokussierten Repräsentationen, datensparsame Lösungen für verschiedene Aufgaben finden soll. Durch einen Multi-Task-Learning-Ansatz trägt das Finden einer Repräsentation gleichzeitig zum Lösen einer Aufgabe bei. Durch Ersetzung einer der Aufgaben werden Wissentransfers datensparsam auf die neue Aufgabe durchgeführt. In der erarbeiteten und evaluierten Lösung können Hyperparameter automatisch gefunden werden. Bei Vergleichen von verschiedenen Ansätzen und Datenmengen ist über die Leistung der Netzwerke zu erkennen, dass der Ansatz insbesondere mit weniger Daten bessere Ergebnisse erzielt. Die Ergebnisse dieser Arbeit lassen eine Bereitstellung als Module zu. Die Module werden im Rahmen dieser Arbeit beschrieben. Abgeschlossen wird die Arbeit mit einem Ausblick auf Verbesserungen und Potenziale der Ansätze.…
- High costs when annotating data leads to the search for ways to get along with a reduced amount of data when creating models. This work explores a possible approach to find solutions with less data, by making use of focused representations. A multi task learning approach allows found representations to simultaneously help finding solutions to a task. By replacing one of the tasks, a knowledgeHigh costs when annotating data leads to the search for ways to get along with a reduced amount of data when creating models. This work explores a possible approach to find solutions with less data, by making use of focused representations. A multi task learning approach allows found representations to simultaneously help finding solutions to a task. By replacing one of the tasks, a knowledge transfer o another task, which makes efficient use of data, can be made. In this developed and evaluated approach, parameters can be found automatically. When making a comparison between different approaches and with different amounts of data, taking into account the network score, it can be seen, that the new approach produces more optimal results - especially when working with a reduced amount of data. The high score of the approach was motivation to provide it as a python modules. These modules will be described as part of this work. Finally a future prospect with possible vectors for improvement will be made.…
Document Type: | Master's Thesis |
---|---|
Zitierlink: | https://opus.hs-offenburg.de/4092 | Bibliografische Angaben |
Title (German): | Aufgabenfokussierung von Autoencodern und automatisches Transferlernen |
Title Additional (English): | Task focusing on autoencoder and automatic transfer learning |
Author: | Sebastian HochGND |
Advisor: | Janis Keuper, Sascha Lange |
Year of Publication: | 2020 |
Date of first Publication: | 2020/07/10 |
Date of final exam: | 2020/07/10 |
Publishing Institution: | Hochschule Offenburg |
Granting Institution: | Hochschule Offenburg |
Place of publication: | Offenburg |
Page Number: | 40, XXXVII |
URN: | https://urn:nbn:de:bsz:ofb1-opus4-40924 |
Language: | German | Inhaltliche Informationen |
Institutes: | Fakultät Elektrotechnik, Medizintechnik und Informatik (EMI) (ab 04/2019) |
Institutes: | Abschlussarbeiten / Master-Studiengänge / INFM |
DDC classes: | 000 Allgemeines, Informatik, Informationswissenschaft |
Tag: | AutoML; Autoencoder; Multi-task learning; Transfer learning | Formale Angaben |
Open Access: | Open Access |
Licence (German): | Urheberrechtlich geschützt |
SWB-ID: | 1728704774 |