A probléma ismeretlen statisztikájú folyamatok előrejelzése, amikor az előrejelzések minőségét különböző költségfüggvényekkel mérjük:
• Négyzetes költség. A szóban forgó feladatot nemparaméteres regresszió-becslésnek hívják. (Lásd L. Györfi, M. Kohler, A. Krzyzak, H. Walk „A Distribution-Free Theory of Nonparametric Regression”, Springer-Verlag, New York, 2002.)
• 0 -- 1 költség. Ez az alakfelismerés problémája. (Lásd L. Devroye, L. Györfi, G. Lugosi „Probabilistc Theory of Pattern Recognition”, Springer-Verlag, New York, 1996.)
• Logaritmikus költség. Ez a költség fordul elő az optimális portfólió-választásnál (lásd http://www.szit.bme.hu/~oti/portfolio) és az adattömörítésben.
A ma létező eljárások alkalmazásánál egy nyitott kérdés az algoritmusok szabadon választható paramétereinek az adaptív beállítása. Újabban erre a problémának a megoldására a gépi tanulás elmélete dolgozott ki egy új elvet, a szakértők versenyeztetését, amely a szóbanforgó algoritmus párhuzamosan futtatott paraméterértékeinek az aggregálását jelenti. (lásd N. Cesa-Bianchi, G. Lugosi „Prediction, Learning, and Games”, Cambridge University Press, 2006.)
Ilyen nemparaméteres előrejelző algoritmusokat igen sokrétűen lehet alkalmazni, például sávszélességbecslésre adaptív TCP variánsokban, forgalombecslésre útvonalválasztási feladatban, csatornabecslésre adaptív csatornakiegyenlítésnél vagy univerzális dekódolásnál, empírikus portfólióstratégiák tervezésére, adaptív forráskódolásra, stb.
A téma műveléséhez elsősorban valószínűségszámítási, statisztikai és sztochasztikus folyamatbeli érdeklődést tételezünk fel.
Number of students who can be accepted: 1
Deadline for application: 2008-05-20
2024. IV. 17. ODT ülés Az ODT következő ülésére 2024. június 14-én, pénteken 10.00 órakor kerül sor a Semmelweis Egyetem Szenátusi termében (Bp. Üllői út 26. I. emelet).
Login
