Hauptseite

Aus IPD-Institutsseminar
Version vom 10. Juni 2020, 12:33 Uhr von Erik Burger (Diskussion | Beiträge)
(Unterschied) ← Nächstältere Version | Aktuelle Version (Unterschied) | Nächstjüngere Version → (Unterschied)
Wechseln zu: Navigation, Suche

Das Institutsseminar des Instituts für Programmstrukturen und Datenorganisation (IPD) ist eine ständige Lehrveranstaltung, die den Zweck hat, über aktuelle Forschungsarbeiten am Institut zu informieren. Insbesondere soll Studierenden am Institut die Gelegenheit gegeben werden, über ihre Bachelor- und Masterarbeiten vor einem größeren Auditorium zu berichten. Schwerpunkte liegen dabei auf der Problemstellung, den Lösungsansätzen und den erzielten Ergebnissen. Das Seminar steht aber allen Studierenden und Mitarbeiter/-innen des KIT sowie sonstigen Interessierten offen.

Ort Gebäude 50.34, Seminarraum 348 oder online, siehe Beschreibung
Zeit jeweils freitags, 11:30–13:00 Uhr / 14:00–15:30 Uhr

Die Vorträge müssen den folgenden zeitlichen Rahmen einhalten:

  • Masterarbeit: 30 Minuten Redezeit + 15 Minuten Diskussion
  • Bachelorarbeit: 20 Minuten Redezeit + 10 Minuten Diskussion
  • Proposal: 12 Minuten Redezeit + 8 Minuten Diskussion

Weitere Informationen: https://sdqweb.ipd.kit.edu/wiki/Institutsseminar. Bei Fragen und Anmerkungen können Sie eine E-Mail an das Institutsseminar-Team schreiben.

Nächste Vorträge

Freitag, 16. April 2021, 11:30 Uhr, https://conf.dfn.de/webapp/conference/979160755
Vortragende(r) Tanja Fenn
Titel Change Detection in High Dimensional Data Streams
Vortragstyp Proposal
Betreuer(in) Edouard Fouché
Kurzfassung Data streams in real-world scenarios such as environmental analysis, manufacturing, and e-commerce are high-dimensional and evolve over time. This will result in outdated models, or events of interest emerge, such as in predictive maintenance. Hence, it is crucial to detect change, i.e., concept drift, to design a reliable and adaptive system for streaming data. Nevertheless, most popular concept drift detection algorithms detect when a drift occurs (“when”) but can only be applied to univariate data streams, and neglect to examine in which dimensions the drift occurs (“where”).

Change detection algorithms should act unsupervised and detect change as fast as possible. Beyond that, processing high-dimensional data evokes further challenges like those from the curse of dimensionality, or where a drift occurs. The goal of this Master thesis is the development and evaluation of an unsupervised framework which enables to detect “when” and “where” a drift occurs. We train an autoencoder and detect drift by applying ADWIN on the autoencoder’s reconstruction error.