Seminar aus maschinellem Lernen - WS 08/09

Graph Mining

Im Rahmen dieses Seminars werden wir neue Forschungsergebnisse aus dem Bereich maschinelles Lernen diskutieren. Ausgewählt werden neuere Publikationen aus den relevanten Journalen des Gebiets, insbesondere aus Machine Learning und dem Journal of Machine Learning Research, sowie aus den wichtigsten Konferenzen.

Der diesjährige Themenschwerpunkt ist Graph Mining. Während konventionelle Lernalgorithmen davon ausgehen, daß Objekte in einer einfachen Attribut/Wert-Repräsentation vorliegen, versuchen Graph Mining Methoden Muster oder Regelmäßkeiten in komplexeren Datenstrukturen wie z.B. Graphen zu finden. Data Mining- und Lern-Methoden, die sich diesen Gegebenheiten anpassen, bilden den Schwerpunkt dieses Seminars.

 

Zeit und Ort

Tag Zeit Raum Beginn
Mittwoch 17:10-18:50 S202/A102 15.10.

Ablauf

Jede/r Student/in erhält einen oder mehrere Fachartikel zur Ausarbeitung, deren wesentliche Aspekte dann in einem ca. 30-minütigen Vortrag vorgestellt und im Anschluß von allen diskutiert werden sollen. Die Vorträge und/oder Folien können wahlweise auf Deutsch oder Englisch gehalten werden.

Vorkenntnisse

Da diese Artikel dem letzten Stand der Forschung entsprechen, wird einerseits erwartet, dass entsprechende Grundkenntnisse (und Interesse!) in maschinellem Lernen und Data Mining mitgebracht werden, dass man sich aber andererseits im Zuge der Vorbereitung auch selbständig mit der Thematik weiter vertraut macht und ggf. auch weiterführende bzw. grundlegende Literatur zu Rate zieht (bitte Quellen nennen).

Benotung

In die Gesamtnote fließen die Ausarbeitung des Vortrags (Folien), die Präsentation, die Beantwortung von Fragen zum Vortrag, sowie die aktive Teilnahme an der Diskussion bei den Vorträgen anderer ein. Eine schriftliche Ausarbeitung ist nicht notwendig.

Im Vordergrund der Gesamtbenotung steht jedoch die selbständige Auseinandersetzung mit dem Problem. Für eine sehr gute (1.x) Beurteilung muß klar sein, dass Sie die fraglichen Arbeiten verstanden haben und von den vorliegenden Papers abstrahieren können. Eine exakte Wiedergabe des Inhalts der Papiere führt nur zu einer Beurteilung mit 2.x, außerordentlich schwache Leistungen in einem der genannten Punkte zu 3.x oder schlechter.

Themen

 

Mining Frequent Closed Graph Patterns

05. 11. Yingting Fan (slides)

 

Graph-Based Induction

12. 11. André Gass (slides) und Matthias Richter (erkrankt)

 

Frequent Tree Mining - PathJoin

19. 11. Lu Zheng (nicht erschienen)

 

Frequent Tree Mining - TreeMiner and SLEUTH

19. 11. Christoph Stock (Slides)

 

Frequent Tree Mining - Freqt, Unot, uFreqt

26. 11. Veronika Kostadinova und Fan Zhang (Slides 1, Slides 2, Slides 3)

 

Frequent Tree Mining - Mining Free Trees

03. 12. Markus Biesinger (Slides)

 

Frequent Tree Mining - Closed and Maximal Sets (1 Person)

03. 12. Moritz Huisman (Slides)

 

Mining of Frequent Graphs and Frequent geometric Graphs

10. 12. Angela Eigenstetter und Christian Wirth (Slides)

 

Mining Frequent Labeled Graphs

17. 12. Hongtao Yan (Slides) und Timo Schneider (Slides)

MDL-Based Substructure Discovery - SubDue

14. 1. 2009 Marco Ghiglieri (Slides) und Matthias Richter (nicht erschienen)

 

Kontakt

small ke-icon

Knowledge Engineering Group

Fachbereich Informatik
TU Darmstadt

S2|02 D203
Hochschulstrasse 10

D-64289 Darmstadt

Sekretariat:
Telefon-Symbol+49 6151 16-21811
Fax-Symbol +49 6151 16-21812
E-Mail-Symbol info@ke.tu-darmstadt.de

 
A A A | Drucken | Impressum | Sitemap | Suche | Mobile Version
zum Seitenanfangzum Seitenanfang