Deutsch
 
Hilfe Datenschutzhinweis Impressum
  DetailsucheBrowse

Datensatz

DATENSATZ AKTIONENEXPORT
 
 
DownloadE-Mail
 Lokale TagsFreigabegeschichteDetailsÜbersicht
  Machine Learning Methods For Estimating Operator Equations

Steinke, F., & Schölkopf, B. (2006). Machine Learning Methods For Estimating Operator Equations. In IFAC Proceedings Volumes (pp. 1192-1197). Oxford, United Kingdom: Elsevier.

Item is

 

einblenden: alle ausblenden: alle

Basisdaten

einblenden: ausblenden:
Datensatz-Permalink: https://hdl.handle.net/11858/00-001M-0000-0013-D27F-B Versions-Permalink: https://hdl.handle.net/21.11116/0000-0003-8A55-2
Genre: Konferenzbeitrag

Externe Referenzen

einblenden:
ausblenden:
externe Referenz:
https://www.sciencedirect.com/science/article/pii/S1474667015354288 (Verlagsversion)
Beschreibung:
-
OA-Status:

Urheber

einblenden:
ausblenden:
 Urheber:
Steinke, F1, 2, Autor           
Schölkopf, B1, 2, Autor           
Affiliations:
1Department Empirical Inference, Max Planck Institute for Biological Cybernetics, Max Planck Society, ou_1497795              
2Max Planck Institute for Biological Cybernetics, Max Planck Society, Spemannstrasse 38, 72076 Tübingen, DE, ou_1497794              

Inhalt

einblenden:
ausblenden:
Schlagwörter: -
 Zusammenfassung: We consider the problem of fitting a linear operator induced equation to point sampled data. In order to do so we systematically exploit the duality
between minimizing a regularization functional derived from an operator and
kernel regression methods. Standard machine learning model selection algorithms
can then be interpreted as a search of the equation best fitting given data points.
For many kernels this operator induced equation is a linear differential equation.
Thus, we link a continuous-time system identification task with common machine
learning methods.
The presented link opens up a wide variety of methods to be applied to this system
identification problem. In a series of experiments we demonstrate an example
algorithm working on non-uniformly spaced data, giving special focus to the
problem of identifying one system from multiple data recordings.

Details

einblenden:
ausblenden:
Sprache(n):
 Datum: 2006-03
 Publikationsstatus: Erschienen
 Seiten: -
 Ort, Verlag, Ausgabe: -
 Inhaltsverzeichnis: -
 Art der Begutachtung: -
 Identifikatoren: BibTex Citekey: 3640
DOI: 10.3182/20060329-3-AU-2901.00192
 Art des Abschluß: -

Veranstaltung

einblenden:
ausblenden:
Titel: 14th IFAC Symposium on System Identification (SYSID 2006)
Veranstaltungsort: Newcastle, Australia
Start-/Enddatum: 2006-03-29 - 2006-03-31

Entscheidung

einblenden:

Projektinformation

einblenden:

Quelle 1

einblenden:
ausblenden:
Titel: IFAC Proceedings Volumes
Genre der Quelle: Konferenzband
 Urheber:
Affiliations:
Ort, Verlag, Ausgabe: Oxford, United Kingdom : Elsevier
Seiten: - Band / Heft: 39 (1) Artikelnummer: - Start- / Endseite: 1192 - 1197 Identifikator: -