Inkrementelles Lernen von Support Vector Machines Support Vector Machines sind Klassifikatoren, die den Eingaberaum in zwei Bereiche trennen, wobei die Trennebene einen maximalen Abstand zu den Daten besitzt. Entsprechend können die Daten nur in zwei Klassen getrennt werden. Die Trennebene wird durch die Stützvektoren definiert, die sich am nächsten an dieser Ebene befinden. Für das Training einer SVM wird dieser üblicherweise die gesamte Menge an Daten übergeben, für die die Labels (die Klasse) bestimmt wurde. Anschließend wird aufgrund dieser Daten die Trennebene mit einem Optimierungsverfahren bestimmt. Ziel dieser Aufgabe ist es, ein tiefergehendes Verständnis für inkrementelle und dekrementelle Lernverfahren von SVMs zu entwickeln und Implementierungen zu recherchieren bzw. selber umzusetzen. Bei dieser Art des Lernens werden nicht alle Daten auf einmal präsentiert, sondern nacheinander, so dass das Ändern weniger Daten kein komplett neues Lernen zur Folge hat und somit effizienzer ist. Am Ende sollen Implementierungen in C++ (am besten auf Basis der libSVM) und Java zur Verfügung stehen. Details dazu und zu bereits recherchierten Implementierungen sind beim Betreuer vor Beginn der Arbeit anzufragen. Einige Publikationen zum Thema stehen am Ende dieses Dokuments. Folgende Punkte beinhaltet die Aufgabe: 1. kurze Literaturrecherche (als Ergänzung zur bereits vorhandenen Literatur) 2. grobes Verstehen der Verfahren und Herausstellen von Gemeinsamkeiten und Unterschieden 3. Implementierung für C++ und Java 4. ggf. experimenteller Vergleich zwischen Batch-Learning und inkrementellem Lernen References [1] Gert Cauwenberghs and Tomaso Poggio. Incremental and decremental support vector machine learning. Advances in neural information processing systems, 13:409–415, 2001. [2] Shinya Katagiri and Shigeo Abe. Selecting support vector candidates for incremental training. In Proc. IEEE Int Systems, Man and Cybernetics Conf, volume 2, pages 1258–1263, 2005. [3] Alistair Shilton, M. Palaniswami, D. Ralph, and Ah Chung Tsoi. Incremental training of support vector machines. IEEE transactions on Neural Networks, 16(1):114–131, 2005. [4] Richa Singh, Mayank Vatsa, Arun Ross, and Afzel Noore. Biometric classifier update using online learning: A case study in near infrared face verification. Image and Vision Computing, 28(7):1098–1105, 2010. 1