Know­ledge Re­p­re­sen­ta­ti­on and Ma­chi­ne Lear­ning

Ma­schi­nel­les Ler­nen für die Bil­dung

• ast2vec ist ein vor­trai­nier­ter Au­to­en­co­der für Python-​Programme. Das Mo­dell wurde auf einer hal­ben Mil­li­on An­fän­ger­pro­gram­men trai­niert und ist für edu­ca­tio­nal datamining-​Anwendungen in der In­for­ma­tik­leh­re ge­dacht. Re­fe­renz­pa­pier
• Fas­ter Con­fi­dence In­ter­vals for Item Re­spon­se Theo­ry via an Ap­pro­xi­ma­te Li­keli­hood ist ein neuer Al­go­rith­mus, um Kon­fi­denz­in­ter­val­le fü­ri­tem re­spon­se theory-​Modelle schnel­ler zu be­rech­nen. Re­fe­renz­pa­pier
• Spar­se Fac­tor Au­to­en­co­ders for Item Re­spon­se Theo­ry ist ein neuer Faktoranalyse-​Ansatz für Iden­ti­fi­zie­rung la­ten­ter Skills, die be­ob­ach­te­te Test­ergeb­nis­se er­klä­ren. Grund­la­ge ist ein mehr­di­men­sio­na­les item response-​Theory-Modell. Re­fe­renz­pa­pier

 

Ma­schi­nel­les Ler­nen auf struk­tu­rier­ten Daten

• edist im­ple­men­tiert eine Viel­zahl von edit-​Distanzen zwi­schen Se­quen­zen und Bäu­men, ein­schließ­lich Back­tra­cing und Me­trik­ler­nen (Paa­ßen et al., 2018) in cy­thon. Ins­be­son­de­re ent­hält die Bi­blio­thek Im­ple­men­tie­run­gen für die Levenshtein-​Distanz, dy­na­mic time war­ping, die af­fi­ne edit-​Distanz und die Baum-​edit-Distanz sowie wei­te­re edit-​Distanzen über al­ge­brai­sche dy­na­mi­sche Pro­gram­mie­rung (Gie­ge­rich, Meyer und Stef­fen, 2004). Die Bi­blio­thek ist auf pypi über "pip3 in­stall edist" ver­füg­bar (der­zeit nur für Linux).
• Re­cur­si­ve Tree Grammar Au­to­en­co­ders sind re­kur­si­ve neu­ro­na­le Netze, die Baum­da­ten au­to­ma­tisch ko­die­ren kön­nen, wenn eine Gram­ma­tik be­kannt ist. Die Autoencoding-​Fehlerrate und die Op­ti­mie­rungs­leis­tung im la­tent space ist bei RT­GA­Es häu­fig bes­ser als bei her­kömm­li­chen Auto-​Encodern. Re­fe­renz­pa­pier
• Graph Edit Net­works sind gra­phen­ver­ar­bei­ten­de neu­ro­na­le Netze, die zeit­li­che Än­de­run­gen mo­del­lie­ren kön­nen, indem sie Graph-​Edits an jedem Kno­ten vor­her­sa­gen. Re­fe­renz­pa­pier
• Re­ser­voir Stack Ma­chi­nes sind eine Er­wei­te­rung von Re­ser­voir Me­mo­ry Ma­chi­nes (siehe unten) mit einem Stack als Spei­cher. Dies er­höht die Re­chen­leis­tung für de­ter­mi­nis­ti­sche kon­text­freie Gram­ma­ti­ken (über Chomsky-​3, aber unter Chomsky-​2). Re­fe­renz­pa­pier
• Re­ser­voir Me­mo­ry Ma­chi­nes sind eine Er­wei­te­rung von Echo State Net­works mit einem ex­pli­zi­ten Spei­cher. Dies er­mög­licht es die­sen Netz­wer­ken, Re­chen­auf­ga­ben wie das ver­lust­freie Ko­pie­ren von Daten zu lösen, die für stan­dard­mä­ßi­ge re­kur­ren­te neu­ro­na­le Netz­wer­ke (auch tiefe) nur schwer oder gar nicht zu lösen sind. Diese Spei­cher­er­wei­te­rung er­höht auch die Re­chen­leis­tung von ESNs von unter Chomsky-​3 auf über Chomsky-​3. Re­fe­renz­pa­pier
• Tree Echo State Au­to­en­co­ders sind ein Mo­dell zur au­to­ma­ti­schen Ko­die­rung von Baum­da­ten in Do­mä­nen, in denen eine Baum­gram­ma­tik be­kannt ist. Da das Mo­dell dem Echo-​State-Framework folgt (ins­be­son­de­re Baum-​Echo-State-Netzwerke von Gal­lic­chio und Mi­che­li, 2013), ist es sehr ef­fi­zi­ent zu trai­nie­ren. An­hand einer Liste von Trai­nings­bäu­men kann ein Au­to­en­co­der in­ner­halb von Se­kun­den ein­ge­rich­tet wer­den. Re­fe­renz­pa­pier
• Un­ge­ord­ne­te Baum-​Edit-Distanz bie­tet einen A*-​Algorithmus zur Be­rech­nung der NP-​harten un­ge­ord­ne­ten Baum-​Edit-Distanz mit be­nut­zer­de­fi­nier­ten Kos­ten. Re­fe­renz­pa­pier
• Ad­vers­a­ri­al Edit At­tacks bie­tet einen An­satz zum An­griff auf Klas­si­fi­ka­to­ren für Baum­da­ten mit­hil­fe von Baum-​Edits. Re­fe­renz­pa­pier
• Li­ne­ar Su­per­vi­sed Trans­fer Lear­ning bie­tet ein ein­fa­ches Sche­ma zum Trai­ning einer Ab­bil­dung von einem Quell­raum in einen Ziel­raum mit Hilfe von ex­pec­ta­ti­on ma­xi­miza­ti­on über ein Gauß­sches Mischungs-​Modell und sehr we­ni­gen Da­ten­punk­ten im Ziel­raum. Re­fe­renz­pa­pier