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.
2.1 Die Kopplung <strong>von</strong> Lern- und Systemdynamik 51<br />
schen Aufspaltungsprozess an, der als Raumskalendetektor fungiert. Wenn sich schon<br />
die erste Aufspaltung stark ” verspätet“ hat, kann auch die hierarchisch nachgeordnete<br />
nächste Aufspaltung nicht stattfinden. Das Ergebnis ist dann ein teilweise entartetes,<br />
teilweise verteiltes Codebuch, für das keine vernünftige Eigenschaft im Sinne einer<br />
stationären Statistik (wie z.B. die Load-balance) mehr garantiert werden kann.<br />
Zusammenfassend kann also festgestellt werden, dass das mögliche Auftreten einer<br />
dynamischen Kopplung <strong>von</strong> Lern- und Systemdynamik das zentrale Problem des online<br />
Lernens für den behandelten univar-Algorithmus ist. Nach den bisher diskutierten<br />
Beispielen ist die Kopplung dann zu erwarten, wenn Tr �TS. Somit tritt sie bei on-line<br />
Lernen zwangsläufig auf, denn dort<br />
sind die im System enthaltenen Zeitskalen TS a-priori unbekannt, und außerdem<br />
muss die Relaxationszeit des Lerners zunächst sehr kurz gewählt werden, um Retardierungseffekte<br />
bei der hierarchischen Analyse <strong>von</strong> räumlichen Datenstrukturen<br />
zu vermeiden.<br />
Deswegen ist die dynamische Kopplung bei Tr � TS der erwartete Standardfall des<br />
on-line lernenden univar.<br />
2.1.4 Phasenübergänge durch ε-Annealing<br />
Das im letzten Abschnitt verwendete σ-Annealing ist bei on-line Lernen nicht die<br />
einzige Art, einen Phasenübergang zu provozieren. Es wurde argumentiert, dass die<br />
Dynamik des stochastischen Prozesses im Vergleich zur Beweglichkeit des Codebuchs<br />
zu langsam sei. In Abb. 23b wurde daraufhin die Beweglichkeit des MVNN durch einen<br />
Tr/TS = 0.4 4.0 40.0<br />
1<br />
−1<br />
t = 0 t −→ t = 10 4 TS<br />
Abbildung 25: ε-Annealing beim on-line Lernen. Hier wurde vom Zustand der Dynamikkopplung<br />
(Abb. 22a) ausgegangen und nicht σ, sondern ε verkleinert (exponentiell <strong>von</strong> 5 · 10 −2 bis 5 · 10 −4 ).<br />
Dadurch wird die Lerndynamik sukzessive verlangsamt, <strong>von</strong> Relaxationszeiten Tr/TS = 0.4 bis 40,<br />
und auf diese Weise die Kopplung aufgehoben. Der gesamte Lernprozess wurde bei σ=0.8σS durchgeführt,<br />
bei einer Raumskala also, wo das optimale Codebuch längst aufgespalten wäre. Sobald die<br />
Entkopplung der Dynamiken stattfindet, muss der Phasenübergang nachgeholt werden. Dies ist im<br />
Bild deutlich zu sehen.