direkt zum Inhalt springen

direkt zum Hauptnavigationsmenü

Sie sind hier

TU Berlin

Inhalt des Dokuments

Selected Publications

Jain B, Obermayer K (2010). Large Sample Statistics in the Domain of Graphs. In: Proceedings of the 20th International Conference on Pattern Recognition, in press.

Jain B, Obermayer K (2009). Structure Spaces. J. Mach. Learn. Res. 10:2667-2714.

Jain B, Obermayer K (2009). Algorithms for the Sample Mean of Graphs. In Proceedings of the 13th International Conference on Computer Analysis of Images and Patterns, pp. 351-359.

Henrich F, Obermayer K (2008). Active Learning by Spherical Subdivision. J. Mach. Learn. Res. 9:105-130.

Knebel T, Hochreiter S, Obermayer K (2008). An SMO Algorithm for the Potential Support Vector Machine. Neural Comput. 20:271-287.

Hochreiter S, Obermayer K (2006). Nonlinear Feature Selection with the Potential Support Vector Machine. In: Feature Extraction: Foundations and Applications (Eds. Guyon I et al.), Springer Publishers, pp. 419-438.

Hochreiter J, Obermayer K (2006). Support Vector Machines for Dyadic Data. Neural Comput. 18:1472-1510.

Herbrich R, Graepel T, Obermayer K (2000). Large Margin Rank Boundaries for Ordinal Regression. In: Advances in Large Margin Classifiers (Eds. Smola A et al.), MIT Press, pp. 115-132.

Graepel T, Herbrich R, Bollmann-Sdorra P, Obermayer K (1999). Classification on Proximity Data. In: Advances in Neural Information Processing Systems 11 (Eds. Kearns M et al.), MIT Press, pp. 438-444.

Lernen auf strukturierten Daten

Lupe

Induktives Lernen zur Bildung von Vorhersage-Modellen zählt zu einem der wichtigsten Hauptgebiete des Maschinellen Lernens. Folglich existieren zahlreiche Lernverfahren, um Klassifikations- und Regressionsprobleme zu lösen. Die meisten Verfahren beruhen auf der Annahme, dass die Daten durch Merkmalsvektoren eines Euklidischen Raums repräsentiert werden. Für die Entwicklung von Lernverfahren sind Merkmalsvektoren eine geeignete Darstellung, da der Euklidische Vektorraum ein breites Arsenal an mathematischen Methoden für die statistische Datenanalyse bereithält.

Strukturierte Daten wie beispielsweise Proteine, Dokumente, Bilder, Videos, Moleküle, usw., lassen sich selten auf natürliche Weise durch Vektoren ohne Verlust struktureller Information darstellen. Geeignetere Repräsentationen struturierter Daten sind jedoch nicht-euklidisch. Zahlreiche etablierte Techniken und Lernverfahren können somit nicht für die Konstruktion prediktiver Modelle eingesetzt werden. Forschungsziel ist es, existierende induktive Lernverfahren für Merkmalsvekoren auf strukturierte Daten zu erweitern. Wir verfolgen dazu die folgenden Ansätze:

  1. Erweiterung von Kern-Methoden zu Lernverfahren für relationale Daten.
  2. Erweiterung von Standard-Lernverfahren auf kombinatorischen Strukturen via Einbettungen in Quotientenräumen von Euklidischen Räumen.
  3. Entwicklung von Lernverfahren in Riemannschen Manigfaltigkeiten unter Berücksichtigung der geometrischen Struktur der Daten, insbesondere im Bereich aktives Lernen.

Die von uns entwickelten Verfahren wurden u.a. in der Bio- und Chemoinformatik angewendet (vgl. "Anwendungen in der Bio- und Chemoinformatik") als auch in der Analyse multimodaler neuronale Netze (vgl. "Forschung" Seite "MRI, EM, Autoradiography, and Multi-modal Data").

Danksagung: Dieses Projekt wird vom BMWA und der Technischen Universität Berlin finanziert.

Software:

The Potential Support Vector Machine (P-SVM)

Ausgewählte Publikationen:

Goerttler, T., Müller, L. and Obermayer, K. (2022). Representation Change in Model-Agnostic Meta-Learning. ICLR Blog Track


Seidel, R., Jahn, N., Seo, S., Goerttler, T. and Obermayer, K. (2022). NAPC: A Neural Algorithm for Automated Passenger Counting in Public Transport on a Privacy-Friendly Dataset. IEEE Open Journal of Intelligent Transportation Systems, 3, 33-44.


Goerttler, T. and Obermayer, K. (2021). Exploring the Similarity of Representations in Model-Agnostic Meta-Learning. Learning to Learn workshop at ICLR 2021


Müller, L., Ploner, M., Goerttler, T. and Obermayer, K. (2021). An Interactive Introduction to Model-Agnostic Meta-Learning. Workshop on Visualization for AI Explainability at IEEE VIS


Cakan, C. and Obermayer, K. (2020). Biophysically grounded mean-field models of neural populations under electrical stimulation. PLOS Computational Biology, 2020



Trowitzsch I., Schymura C., Kolossa D. and K., O. (2019). Joining Sound Event Detection and Localization Through Spatial Segregation. IEEE Trans. Audio Speech Language Proc.


Oschmann, F., Berry, H., Obermayer, K. and Lenk, K. (2018). From in Silico Astrocyte Cell Models to Neuron-astrocyte Network Models: A Review. Brain Research Bulletin


Aspart, F., Remme, M. and Obermayer, K. (2018). Differential Polarization of Cortical Pyramidal Neuron Dendrites through Weak Extracellular Fields. Computational Biology, 15


Meyer, R., Ladenbauer, J. and Obermayer, K. (2017). Influence of Mexican Hat Recurrent Connectivity on Noise Correlations and Stimulus Encoding. Frontiers in Computational Neuroscience


Trowitzsch, I., Mohr, J., Kashef, Y. and Obermayer, K. (2017). Robust Detection of Environmental Sounds in Binaural Auditory Scenes. IEEE Transactions on Audio Speech and Language Processing, 25, 1344-1356.


Oschmann, F., Mergenthaler, K., Jungnickel, E. and Obermayer, K. (2017). Spatial Separation of Two Different Pathways Accounting for the Generation of Calcium Signals in Astrocytes. PLoS Computational Biology, 13


Augustin, M., Ladenbauer, J., Baumann, F. and Obermayer, K. (2017). Low-dimensional spike rate models derived from networks of adaptive integrate-and-fire neurons: Comparison and implementation. PLoS Computational Biology, 13


Guo, R., Böhmer, W., Hebart, M., Chien, S., Sommer, T., Obermayer, K. and Gläscher, J. (2016). Interaction of Instrumental and Goal-directed Learning Modulates Prediction Error Representations in the Ventral Striatum. Journal of Neuroscience, 36, 12650-12660.


Meyer, R. and Obermayer, K. (2016). pypet: A Python Toolkit for Data Management of Parameter Explorations. Frontiers Neuroinformatics, 10


Aspart, F., Ladenbauer, J. and Obermayer, K. (2016). Extending Integrate-and-fire Model Neurons to Account for the Effects of Weak Electric Fields and Input Filtering Mediated by the Dendrite. PLOS Computional Biology, 12, e1005206.


Donner, C., Obermayer, K. and Shimazaki, H. (2016). Approximate Inference for Time-varying Interactions and Macroscopic Dynamics of Neural Populations. PLoS Computional Biology, 13, 1 -27.


Jain, B. and Obermayer, K. (2010). Large Sample Statistics in the Domain of Graphs. Structural, Syntactic, and Statistical Pattern Recognition. Springer Berlin Heidelberg, 690 – 697.,10.1007/978-3-642-14980-1_10


Jain, B. and Obermayer, K. (2009). Algorithms for the Sample Mean of Graphs. Lecture Notes in Computer Science, 351 – 359.,


Jain, B. and Obermayer, K. (2009). Structure Spaces. Journal of Machine Learning Research, 10, 2667 – 2714.


Zusatzinformationen / Extras

Direktzugang:

Schnellnavigation zur Seite über Nummerneingabe