In dieser Rubrik möchte ich in unregelmäßigen Abständen aktuelle Publikationen im Bereich Künstliche Ingelligenz kommentieren. Auch aus angrenzenden Bereichen und fachübergreifenden Forschungsfeldern werden aktuelle Papers vorgestellt.
Practical Learning of Deep Gaussian Processes via Random Fourier Features
Cutajar et al. haben in ihrer Publikation versucht, Deep Gaussian Processes mit Random Fourier Features zu verheiraten und zeigen, dass sie damit praktische Klassifikations- und Regressionsaufgaben effizienter lösen können, als einige getestete Methoden, die dem Stand der Technik entsprechen.
Semi-Supervised Active Learning for Support Vector Machines: A Novel Approach that Exploits Structure Information in Data
Reitmaier et al. versuchen den Prozess des Active Learning (auch Optimal Experimental Design) anhand eines Weighted Mahalanobis Kernels zu verbessern. Im Active Learning geht es darum, die notwendigen Datenquellen nach Informationen abzufragen, um eine Machine-Learning-Aufgabe zu lösen (semi-supervised). Für ihre Experimente nutzten sie die Daten-Sets MNIST und einige weitere Datenbanken.
Accelerate Monte Carlo Simulations with Restricted Boltzmann Machines
Die Monte-Carlo-Simulation ist weitverbreitet und sehr bekannt. Li Huang und Lei Wang haben in ihrer Publikation einen Weg gefunden, diese Art von Simulation mittels einer Boltzmann-Maschine zu beschleunigen. In ihren Experimenten konnten die Forscher zeigen, dass ihr Ansatz um mehrere Faktoren schneller ist als der State-of-the-Art.