21.12.2012 Aufrufe

Diplomarbeit von Michael Schindler

Diplomarbeit von Michael Schindler

Diplomarbeit von Michael Schindler

MEHR ANZEIGEN
WENIGER ANZEIGEN

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.

Hurra! Ihre Datei wurde hochgeladen und ist bereit für die Veröffentlichung.

Erfolgreich gespeichert!

Leider ist etwas schief gelaufen!