Anschub für Datenverarbeitung und -extraktion

Eine schnellere Art der Erfassung und Verarbeitung von Eingangsdaten soll in effizienterer Ausrüstung für den biomedizinischen Bereich und darüber hinaus resultieren.

Digitale Wirtschaft

In einer Welt, in der sich der Informationsbereich explosionsartig entwickelt, ist die Aufgabe des Sammelns und Extrahierens der richtigen Daten von grundlegender Bedeutung, um leistungsfähigere Hightechanwendungen schaffen und schnellere Ausrüstung konzipieren zu können. Eine wichtige Methode zur rechnerischen Lösung dieser Aufgabe ist die Entfernung redundanter Daten durch verbesserte dünnbesetzte Modellierung (sparse modelling). In diesem sich rasch entwickelnden Bereich kommen Statistik, Maschinenlernen und Signalverarbeitung zusammen. In Hinsicht auf das Rechnen umfassen dünnbesetzte Modelle meist Nullen und nur wenige von Null verschiedene Parameter, wobei neuartige theoretische und algorithmische Werkzeuge verwendet werden, um zum Ziele zu gelangen. Vor diesem Hintergrund arbeitete das EU-finanzierte Projekt SOL (Sparse Online Learning) an der Entwicklung neuer Theorien und Algorithmen für Sparsity-aware-Learning "on the fly". Anstatt sich darauf zu verlassen, Daten zu speichern und sie dann weiterzubehandeln, wollte man sie im Rahmen des Projekts sofort und in Echtzeit verarbeiten, sobald sie verfügbar sind. Um seine Ziele zu erreichen, bearbeitete das Projektteam die erforderlichen Sparsity-aware-Algorithmen auf eine Weise, die einen effektiven Echtzeitbetrieb ermöglichen. Es integrierte fortgeschrittene Sparsity-Strukturen i das Online-Lern-Framework und erweiterte den Lernprozess durch das Sammeln von Daten aus Mehrfach-Sensorvorrichtungen und Topologien, die gemeinsame Sparsity-Strukturen ausnutzen. Dazu gehörte die Entwicklung einer Plattform, um auf genaue Weise die neu artikulierten Verfahren gegenüber anderen Akteuren oder Wettbewerbern auf dem Gebiet zu bewerten. Mit der Anwendung der neu entwickelten Verfahren im biomedizinischen Sektor entwickelte SOL ein innovatives drahtloses Elektrokardiogrammüberwachungssystem (EKG), das energieeffizienter und potenziell leistungsfähiger als die vorhandene EKG-Technik ist. Das Team hat außerdem allgemeinere Fälle erweitert, in denen Sparsity- und fortgeschrittene Strukturen bei der Datenmatrixfaktorisierung und -analyse eingesetzt werden. Es untersuchte allgemeine Aufgaben, zu denen das robuste Subraum-Tracking, Online- und verteiltes Verzeichnislernen und Verzeichnislernen-basierte Matrixfaktorisierung bei der funktionellen Magnetresonanztomografieanalyse (fMRT) zählen. Neue alternative mathematische Werkzeuge einschließlich randomisierter Projektionen wurden bei der Dimensionsreduktion angewandt und auf vorher entwickelten Algorithmen angepasst, womit sich die Rechenzeit für die fMRT-Datenanalyse verkürzt. Anschließend entwickelte das Team ein neuartiges robustes lineares Regressionsverfahren auf Grundlage randomisierter Projektionen für große Datenanwendungen. Die neuen Algorithmen und Verfahren zur Modellierung, Analyse und/oder Rekonstruktion von Signalen haben sich als sehr nützlich erwiesen, und das insbesondere, da sie eher online als in einem Batch-Modus arbeiten. Sie können auf sehr effiziente Weise sehr große Datenmengen verarbeiten, was die Tür zu vielen neuen und sich abzeichnenden Anwendungen öffnet, die genau diese Komplexität erfordern. Die wertvollen Resultate des Projekts wurden in führenden Fachzeitschriften, mehreren Buchkapiteln und zahlreichen Konferenzpublikationen veröffentlicht.

Schlüsselbegriffe

Datenverarbeitung, sparse modelling, dünn besetzte Modellierung, maschinelles Lernen, Signalverarbeitung, lineare Regression, SOL

Sparse Online Learning

Anschub für Datenverarbeitung und -extraktion

Schlüsselbegriffe

Entdecken Sie Artikel in demselben Anwendungsbereich

Diese Seite teilen

Herunterladen