direkt zum Inhalt springen

direkt zum Hauptnavigationsmenü

Sie sind hier

TU Berlin

Inhalt des Dokuments

Es gibt keine deutsche Übersetzung dieser Webseite.

Search in All Publications

Suche nach Publikationen




All Publications by GRK Members

An information geometrical view of stationary subspace analysis
Zitatschlüssel Kawanabe2011
Autor Kawanabe, M., Samek, W., von Bünau, P., and Meinecke, F.
Buchtitel Artificial Neural Networks and Machine Learning – ICANN 2011
Seiten 397-404
Jahr 2011
ISBN 978-3-642-21737-1
DOI 10.1007/978-3-642-21738-8_51
Jahrgang 6792
Herausgeber Honkela, Timo and Duch, Wlodzislaw and Girolami, Mark and Kaski, Samuel
Verlag Springer Berlin / Heidelberg
Serie Lecture Notes in Computer Science
Zusammenfassung Stationary Subspace Analysis (SSA) [3] is an unsupervised learning method that finds subspaces in which data distributions stay invariant over time. It has been shown to be very useful for studying non-stationarities in various applications [5,10,4,9]. In this paper, we present the first SSA algorithm based on a full generative model of the data. This new derivation relates SSA to previous work on finding interesting subspaces from high-dimensional data in a similar way as the three easy routes to independent component analysis [6], and provides an information geometric view.
Link zur Originalpublikation [1] Download Bibtex Eintrag [2]

Nach oben

Import Publication

Upload BibTeX

Alle Einträge nach BibTex exportieren [4]
------ Links: ------

Zusatzinformationen / Extras

Direktzugang:

Schnellnavigation zur Seite über Nummerneingabe

Copyright TU Berlin 2008