Über die Anwendung von Deep Learning bei der Analyse von Veränderungspunkten

Deep Learning auf der Grundlage von mehrschichtigen neuronalen Netzen ist in letzter Zeit zur modernsten Methode des maschinellen Lernens für die Klassifizierung geworden. Sie können für wichtige wirtschaftliche und industrielle Anwendungen eingesetzt werden (z. B. Kreditwürdigkeitsprüfung, Überwachung kritischer Produktionsprozesse oder Sicherheit von Computernetzen). Die Anwendungen dieser Methoden hängen stark von der Homogenität der Daten im Zeitverlauf ab. Daher ist es wichtig, Methoden zur Überprüfung dieser Annahmen zu entwickeln, die jedoch für derart komplexe Netze noch nicht existieren. Das Ziel dieses Projekts ist die Entwicklung von Tests für das Vorhandensein von zeitlichen Veränderungen für mehrschichtige neuronale Netze auf der Grundlage früherer Arbeiten zu einschichtigen Netzen (Kirch und Tadjuidje, 2012, 2014) und zur Parameterschätzung für mehrschichtige Netze (Bauer und Kohler, 2017).

On the application of deep learning in change point analysis

Deep learning based on multilayer neural networks have recently become the state-of-the-art method in machine learning for classification. They may be used for important economic and industrial applications (e.g. credit scoring, monitoring of critical production processes or safety of computer networks). The applications of those methods heavily depend on homogeneity of the data over time. Therefore, developing methods for checking these assumptions are important, but do not yet exist for such complex networks. The goal of this project is to develop tests for the presence of changes in time for multilayer neural networks based on previous work on single-layer networks (Kirch and Tadjuidje, 2012, 2014) and on parameter estimation for multilayer networks (Bauer and Kohler, 2017).