Direkt zum Inhalt | Direkt zur Navigation

Eingang zum Volltext

Lizenz

Bitte beziehen Sie sich beim Zitieren dieses Dokumentes immer auf folgende
URN: urn:nbn:de:bsz:25-opus-2038
URL: http://www.freidok.uni-freiburg.de/volltexte/203/


Meyer, Lea

Probabilistic Learning of Indexed Families under Monotonicity Constraints: Hierarchy Results and Complexity Aspects

Probabilistisches Lernen von indizierten Familien unter Monotoniekriterien: Hierarchie-Ergebnisse und Komplexitätsaspekte

Dokument1.pdf (904 KB) (md5sum: aba857f7b8b3892255224e624583c981)

Kurzfassung in Deutsch

In our work, we deal with a formalization of inductive inference. We investigate a class of probabilistic inductive inference models, namely probabilistic inductive inference of indexed families under
monotonicity constraints. All these inference models are based
on the inductive inference model introduced by Gold. We
discuss in detail how powerful these probabilistic learning models
are in contrast to their deterministic counterparts and introduce
a complexity measure in order to measure the additional power of
the probabilistic machines in qualitative terms.


SWD-Schlagwörter: Maschinelles Lernen , Berechnungskomplexität
Freie Schlagwörter (deutsch): Induktive Inferenz , Probabilistisches Lernen , Formale Sprachen
Freie Schlagwörter (englisch): Inductive Inference , Probabilistic Learning , Complexity Theory
Institut: Institut für Informatik
Fakultät: Fakultät für Angewandte Wissenschaften (bis Sept. 2002)
DDC-Sachgruppe: Mathematik
Dokumentart: Dissertation
Erstgutachter: Schinzel, Britta (Prof. Dr.)
Sprache: Englisch
Tag der mündlichen Prüfung: 31.05.2001
Erstellungsjahr: 2001
Publikationsdatum: 09.07.2001
Bemerkung: Teile der Arbeit wurden veröffentlicht in: Lea Meyer, Probabilistic language learning under monotonicity constraints, Theoretical Computer Science 185 (1997) 81 - 128
Indexliste