Struktureller Bias in neuronalen Netzen mittels Clifford-Algebren

Im Rahmen dieser Arbeit wird ein generisches Approximierungsmodell aufgestellt, das unter anderem klassische neuronale Architekturen umfaßt. Die allgemeine Rolle von a priori Wissen bei der Modellierung wird untersucht. Speziell werden Clifford-Algebren bei dem Entwurf von neuronalen Netzen als Träger struktureller Information eingesetzt. Diese Wahl wird durch die Eigenschaft von Clifford-Algebren motiviert, geometrische Entitäten sowie deren Transformationen auf eine effiziente Art darstellen bzw. berechnen zu können. Neue neuronale Architekturen, die im Vergleich zu klassischen Ansätzen höhere Effizienz aufweisen, werden entwickelt und zur Lösung von verschiedenen Aufgaben in Bildverarbeitung, Robotik und Neuroinformatik allgemein eingesetzt.

Vorschau

Rechte

Nutzung und Vervielfältigung:

Keine Lizenz. Es gelten die Bestimmungen des deutschen Urheberrechts (UrhG).

Bitte beachten Sie, dass einzelne Bestandteile der Publikation anderweitigen Lizenz- bzw. urheberrechtlichen Bedingungen unterliegen können.

Zitieren

Zitierform:
Zitierform konnte nicht geladen werden.