Zurück zur Hompage der Cowan!Gustavo Deco
Siemens AG München
Der Kernpunkt des Vortrags besteht darin, mittels neuronaler und informationsdynamischer Methoden statistische Strukturen, die den Daten zugrundeliegen, sowohl nichtparametrisch zu detektieren und zu charakterisieren als auch parametrisch zu modellieren. Zwei Formulierungen des Problems der Extrahierung der nichtlinearen statistischen Korrelationen in Daten werden präsentiert. Die erste Formulierung besteht in einem neuronalen Lernverfahren, das durch das biologische Prinzip der Redundanzminimierung Abhängigkeiten in den Daten modelliert. Diese Formulierung zeigt auch die Dualität zwischen unüberwachtem und überwachtem Lernen. Die zweite Formulierung charakterisiert und klassifiziert verschiedene Dynamiken durch die Theorie der Hypothesen-Tests. Durch die Analyse des Informationsflusses werden die zugrundeliegenden Dynamiken (deterministisch, chaotisch oder Markov) charakterisiert, sodaß diese Information als Vorkenntnis in die neuronale Modellierung einfliessen kann.