FG Datenbank- und Informationssysteme
Refine
Year of publication
Document Type
- Conference Proceeding (59) (remove)
Keywords
- databases (4)
- combination of features (2)
- metric indexing (2)
- multi-feature search (2)
- nearest neighbor (2)
- ASM (1)
- ASM specification (1)
- Cognitive systems (1)
- Computational cognition (1)
- Computational linguistics (1)
Institute
BTU
We present a model, inspired by quantum field theory, of the so-called inner stage of technical cognitive agents. The inner stage represents all knowledge of the agent. It allows for planning of actions and for higher cognitive functions like coping and fantasy. By the example of a cognitive mouse agent living in a maze wold, we discuss learning, action planning, and attention in a fully deterministic setting and assuming a totally observable world. We explain the relevance of our approach to cognitive infocommunications.
The 8th PhD Symposium on Future Directions in Information Access (FDIA) will be held in conjunction with the 8th International Conference on the Theory of Information Retrieval (ICTIR 2018) in Tianjin, China. The symposium aims to provide a forum for early stage researchers such as PhD students, to share their research and interact with each other and senior researchers in an informal and relaxed atmosphere. The symposium provides an excellent opportunity for the participants to promote their work and obtain experience in presenting and communicating their research. The participants will learn about different topics in the area of information access and retrieval, receive feedback on their work, meet lots of peers and hear inspiring talks.
We present a Matlab toolbox, called “FockBox”, handling
Fock spaces and objects associated with Fock spaces: scalars, ket and
bra vectors, and linear operators. We give brief application examples
from computational linguistics, semantics processing, and quantum logic,demonstrating the use of the toolbox.
EFM-DBSCAN: Ein baumbasierter Clusteringalgorithmus unter Ausnutzung erweiterter Leader-Umgebungen
(2017)
DBSCAN ist ein dichte-basierter Clusteringalgorithmus, der beliebig geformte Cluster erkennt und sie von Rauschen trennt. Aufgrund der Laufzeit von O(n2) ist seine Anwendung jedoch auf kleine Datenkollektionen beschränkt. Um diesen Aufwand zu reduzieren, wurde der auf dem Konzept der
Leader-Umgebung basierende Algorithmus FM-DBSCAN vorgestellt, der für beliebige Metriken dasselbe Clustering wie DBSCAN liefert. In dieser Arbeit wird nun basierend auf FM-DBSCAN das Verfahren EFM-DBSCAN entwickelt. EFM-DBSCAN nutzt die folgenden zwei Konzepte zur Eizienzsteigerung: (a) eine baumbasierte Partitionierung und (b) die Erweiterung der Objekte einer Leader-Umgebung um die Distanzen zu ihrem Leader. Erste Experimente zeigen, dass EFM-DBSCAN bis zu einem Faktor 17 weniger Distanzberechnungen und bis zu einem Faktor 13 weniger Rechenzeit als FM-DBSCAN benötigt. Gegenüber DBSCAN wurde ein Faktor von bis zu 104 eingespart.
Die 27. Konferenz "Elektronische Sprachsignalverarbeitung" ist der Sprach- und Audiosignalverarbeitung sowie angrenzenden Disziplinen in einer großen Breite gewidmet. Die ESSV 2016 bleibt der Tradition der Konferenzreihe verpflichtet und schlägt eine Brücke zwischen Forschung und Anwendung. Der vorliegende Tagungsband enthält 38 Beiträge von 95 Autorinnen und Autoren zu folgenden Themengruppen: Kognitive Systeme; Fremdspracherwerb, Dialekt- und Korpusanalyse; Spracherkennung und Dialogsysteme; Phonetik und Prosodie; Sprachproduktion, Therapie und Diagnostik; Sprechercharakteristik und Stimmanalyse; Audio- und Sprachkodierung, Sprachqualität; Musikanalyse, Sensorik und Signalverarbeitung.
Die drei Hauptvorträge von Dietrich Dörner, Ingo Schmitt und Dirk Labudde beschäftigen sich mit künstlicher Intelligenz, Quantencomputing sowie forensischer Text- und Datenanalyse.
DBSCAN ist ein dichte-basierter Clustering-Algorithmus,
der Cluster beliebiger Form auffindet und diese von Rauschen
trennt. Aufgrund des quadratischen Aufwands ist DBSCAN
fur große Datenmengen jedoch oft ungeeignet. In die- ¨
ser Arbeit wird deshalb ein effizienterer Algorithmus namens
FM-DBSCAN vorgestellt, der fur eine beliebige Distanz- ¨
funktion (Metrik) dasselbe Ergebnis wie DBSCAN liefert.
Hierfur partitioniert FM-DBSCAN die Datenkollektion in ¨
Leader-Umgebungen, auf denen anschließend das Clustering
durchgefuhrt wird. Erste Experimente mittels synthetischen ¨
Datenkollektionen zeigen, dass FM-DBSCAN um einen Faktor
> 990 schneller als DBSCAN ist und auch wesentlich
besser mit der Kollektionsgr¨oße skaliert
Multi-feature search is an effective approach to similarity search. Unfortunately, the search efficiency decreases with the number of features. Several indexing approaches aim to achieve efficiency by incrementally reducing the approximation error of aggregated distance bounds. They apply heuristics to determine the distance computations order and update the object's aggregated bounds after each computation. However, the existing indexing approaches suffer from several drawbacks. They use the same computation order for all objects, do not support important types of aggregation functions and do not take the varying CPU and I/O costs of different distance computations into account. To resolve these problems, we introduce a new heuristic to determine an efficient distance computation order for each individual object. Our heuristic supports various important aggregation functions and calculates cost-benefit-ratios to incorporate the varying computation costs of different distance functions. The experimental evaluation reveals that our heuristic outperforms state-of-the-art approaches in terms of the number of distance computations as well as search time.