Raue Pfade und deren Anwendungen im maschinellen Lernen

SS 2020

Allgemeines

Vorlesung:

Di. 8:30-10:00 Uhr

Fr. 8:30-10:00 Uhr über Zoom.

Die Login-Daten werden vor der Vorlesung an alle Teilnehmer des Learnweb-Kurses versendet.

Dozent:  Prof. Dr. Steffen Dereich
Assistenz:  Sebastian Kassing
KommVV:

Eintrag der Vorlesung im kommentierten Vorlesungsverzeichnis

Eintrag der Übungen im kommentierten Vorlesungsverzeichnis

Inhalt: In der Veranstaltung wird die Integrationstheorie für raue (lediglich Hölder-stetige) Integratoren eingeführt und dazu genutzt, Differentialgleichungen zu analysieren. Die Theorie ist eine rein deterministische Theorie, wobei die Motivation aus der Stochastik stammt. Ist zum Beispiel der Integrator eine Brownsche Bewegung, so gibt es eine kanonische Art, diesen als zufälligen rauen Pfad aufzufassen. Hierbei werden der Trajektorie der Brownschen Bewegung weitere Komponenten hinzugefügt. Mit Hilfe der so entstandenen Signatur des Pfads lassen sich Lösungen von Differentialgleichungen in stetiger Form darstellen. Die Signatur kodiert relevante Eigenschaften des Pfads in kompakter Form und sie kann zum Beispiel auch im maschinellen Lernen verwendet werden, um in handgeschriebenem Text Zeichen zu erkennen.
Literatur:
  • A Course on Rough Paths. With an Introduction to Regularity Structures.
    Peter K. Friz und Martin Hairer
    Springer, 2014
  • A Primer on the Signature Method in Machine Learning
    Ilya Chevyrev und Andrey Kormilitzin
    arXiv:1603.03788

Learnweb:

Bitte schreiben Sie sich im Learnweb in den Kurs ein.

Leistungsnachweis:
Übungen: