TY  - THES
AB  - Das Verstehen und Vorhersagen sequentieller Muster stellt eine zentrale Herausforderung in vielen maschinellen Lernverfahren dar. Im Gegensatz zu statischen Daten, bei denen einzelne Beobachtungen unabhängig voneinander sind, entwickeln sich sequenzielle Daten über die Zeit hinweg und erfordern Modelle, die Abhängigkeiten zwischen vergangenen und zukünftigen Beobachtungen erfassen können. Viele bestehende Methoden tun sich jedoch schwer damit, zeitliche Abhängigkeiten abzubilden, strukturierte Ausgaben zu erzeugen oder ihre Leistung unter veränderten Datenbedingungen aufrechtzuerhalten, insbesondere dann wenn Modelle realweltlicher Variabilität ausgesetzt sind. Diese kumulative Dissertation adressiert diese Herausforderungen durch Methoden, die die Verarbeitung sequentieller Daten in maschinellen Lernmodellen verbessern. Konkret werden Encodingsstrategien für verschiedene Datentypen – d. h. numerische, textuelle, spatio-temporale und ereignisbasierte Daten – vorgestellt sowie Decodingtechniken entwickelt, die strukturierte und konsistente Ausgaben ermöglichen. Darüber hinaus wird ein Evaluierungsrahmen zur Erkennung und Abschwächung von Verteilungsverschiebungen eingeführt, der dazu beiträgt, die Modellleistung auch außerhalb kontrollierter Umgebungen sicherzustellen. Die Beiträge basieren auf acht Forschungsartikeln aus unterschiedlichen Anwendungsfeldern wie Finanzen, Markenbewertung, Logistik und Sportanalytik. Insgesamt liefert die Arbeit praxisorientierte Erkenntnisse für den Aufbau robuster, generalisierbarer und anwendungsnaher maschineller Lernsysteme zur Analyse sequentieller Daten.
AU  - Caron, Matthew
CY  - Paderborn
DO  - 10.17619/UNIPB/1-2317
DP  - Universität Paderborn
LA  - eng
N1  - Tag der Verteidigung: 28.05.2025
N1  - Kumulative Dissertation Universität Paderborn, Dissertation, 2025
PB  - Veröffentlichungen der Universität
PY  - 2025
SP  - 1 Online-Ressource (vii, 72 Seiten) Diagramme
T2  - Department 3: Wirtschaftsinformatik
TI  - Machine Learning for Sequential Data: Unraveling the Challenges Associated with Feature Encoding, Output Decoding, and Distribution Shifts
UR  - https://nbn-resolving.org/urn:nbn:de:hbz:466:2-55332
Y2  - 2025-09-04T23:33:07
ER  -