Adaptive dissimilarity measures, dimension reduction and visualization

Mijn thesis presenteert een aantal extensies van het Learning Vector Quantization algoritme gebaseerd op het concept van adaptive similarity measures. Deze manier van metric learning kan gebruikt worden in een grote verscheidenheid aan applicaties. In het eerste deel van deze thesis worden applicaties van Content Based Image Retrieval op dermatologische afbeeldingen, supervised dimension reduction en advanced texture learning bij image analysis besproken. Het gedetailleerde onderzoek naar dimensionality reduction komt uitgebreid aan bod in de tweede helft van de thesis. We stellen een algemeen framework voor dat de aanpassing van verschillende methoden voor dimension reduction voor explicit mappings vergemakkelijkt. Hiermee wordt naast rechtstreekse out-of-sample extensies ook het theoretische onderzoek naar de generalisatie-eigenschappen van dimension reduction mogelijk. Dit concept wordt ge"illustreerd op verschillende unsupervised en supervised examples. Verder wordt een nieuwe techniek voor efficient unsupervised non-linear dimension reduction voorgesteld die de concepten van fast online learning en optimalisatie van divergenties combineert. In contrast met de meeste niet-lineaire technieken, waarvan de computationele inspanningen kwadratisch toenemen met het aantal punten, heeft de voorgestelde methode lineaire complexiteit. Tot slot worden drie op divergentie gebaseerde algoritmes gegeneraliseerd en onderzocht op het gebruik van willekeurige divergenties.