Hierarchische Faktorisierungsmaschinen

• Antragsteller: Professor Dr. Ulrik Brandes, seit 11/2013
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung von 2013 bis 2017
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 229178042

Faktorisierungsmodelle sind einer der erfolgreichsten Ansätze des maschinellen Lernens für Vorhersageprobleme mit kategoriellen Variablen mit vielen Ausprägungen wie z.B. bei Empfehlungssystemen. Viele verschiedene einschichtige und hierarchische Faktorisierungsmodelle wurden bereits vorgeschlagen. Allerdings muss für jedes dieser Modelle von neuem eine Modellgleichung hergeleitet und ein Lernverfahren entwickelt werden. Darüber hinaus sind Verbesserungen, die an einem Modell gemacht werden, nicht direkt auf andere übertragbar. Offensichtlich fehlt hier ein generisches Modell, welches die spezialisierten Faktorisierungsmodelle enthält.In diesem Projekt soll ein generischer hierarchischer Ansatz für Faktorisierunsmodelle entwickelt werden. Dazu sollen: (1) Faktorisierungsmaschinen (FM), die die meisten nichthierarchischen Faktorisierungsmodelle enthalten, um Bayessche Inferenz erweitert werden. (2) Eine mehrschichtige hierarchische Anordnung von Faktorisierungsmaschinen (HFM), die als generischer Ansatz für tiefe und komplexe Strukturen dient, erforscht werden. (3) Die praktische Bedeutung von HFMs anhand von Problemen aus dem Bereich der Empfehlungssysteme und sozialen Netwerken untersucht werden. Die Erforschung einer solchen generischen Modellklasse ist sowohl für die Grundlagenforschung als auch für die Anwendbarkeit von Faktorisierungsmodellen bedeutend.

• DFG-Verfahren: Sachbeihilfen
• Ehemaliger Antragsteller: Professor Dr. Steffen Rendle, bis 9/2013