Diplomarbeit von Michael Schindler
Diplomarbeit von Michael Schindler
Diplomarbeit von Michael Schindler
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
96 5. Zusammenfassung und Ergebnisse der Arbeit<br />
zwei relevante Parameter, σ und ε besitzt. In der ursprünglichen Formulierung bei<br />
randomisiertem Lernen steuern die beiden Parameter getrennt seine räumlichen und<br />
seine zeitlichen Eigenschaften. Die räumlichen Eigenschaften äußern sich in Aufspaltungsphänomenen,<br />
den Phasenübergängen, die zeitlichen bestehen in gleitender Mittelung<br />
über den Datenstrom, was bei kleinen Werten <strong>von</strong> ε starke Retardierungen<br />
hervorrufen kann.<br />
In der on-line Formulierung des univar konnte ich zunächst einen dynamischen Phasenübergang<br />
finden, der aus dem Bereich der dynamischen Kopplung heraus geschieht.<br />
Die Kopplung wird bei dem Auftreten der Phasentrennung aufgehoben. Dieser Phasenübergang<br />
kann sowohl durch Annealing <strong>von</strong> σ als auch <strong>von</strong> ε hervorgerufen werden.<br />
Daraus ergab sich die Phasenübergangskurve als gegenseitige Abhängigkeit der kritischen<br />
Parameter. Im Laufe <strong>von</strong> Kapitel 2 konnte ich die genaue Position dieser Kurve<br />
im Parameterraum auch quantitativ durch mehrere analytische Näherungen angeben.<br />
Das Ergebnis dieser Überlegungen war die Darstellung des on-line lernenden univar als<br />
einen Algorithmus, der durch die bewusste Wahl seines zeitlichen Weges im Parameterraum<br />
Zeitskalen im System zu bestimmen vermag.<br />
In Kapitel 3 wurde zunächst das Gewöhnungs- und Sensibilisierungsverhalten der Meeresschnecke<br />
Aplysia skizziert. Dieses wurde – in ähnlich abstrakter Weise wie bei der<br />
neuronalen Motivation des multivar – als ein Mittel zur selbstorganisierten Datenfilterung<br />
erkannt.<br />
In Kapitel 4 wurde dieses Prinzip der selbstreferentiellen Datenfilterung durch eine modifizierte<br />
univar-Lernregel verwirklicht. Der daraus resultierende Algorithmus, ANTS,<br />
bestimmt die Relevanz eines Datenpunktes an seinem eigenen effektiven Modell der<br />
bislang gelernten Datenpunkte, indem er mittels einer Aufmerksamkeitsschwelle seinen<br />
Neuigkeitsgehalt bestimmt. Dadurch ist er in der Lage, verschiedene Lebensdauern <strong>von</strong><br />
Zuständen im on-line Datenstrom auch unterschiedlich zu behandeln. So vermeidet er<br />
sowohl Retardierungseffekte durch zu kleines ε, als auch die Kopplung der Lern- an die<br />
Systemdynamik, und kann in vielen Fällen das Lernziel, die Bildung eines effektiven<br />
Modells der präsentierten Daten, erreichen.<br />
Der ANTS ist vermutlich der erste on-line Algorithmus, der selbstorganisiert auf verschiedene<br />
Zeitskalen reagiert. Er darf deshalb als ein erster Schritt in Richtung on-line<br />
Datenverarbeitung angesehen werden.