Literatura académica sobre el tema "Glättungsverfahren"

Zusammenfassung Das Interesse an geografischen Darstellungen in der Gesundheitsberichterstattung (GBE) ist in den letzten beiden Jahrzehnten stark gewachsen. Gesundheitsdaten können mit diesen Methoden anschaulich und zielgruppenorientiert visualisiert werden. Neue technische Möglichkeiten und die breitere Verfügbarkeit von Daten tragen zur verstärkten Anwendung in der GBE bei. In diesem Artikel soll gezeigt werden, welche geografischen Ansätze in der GBE auf Bundes‑, Länder- und Kommunalebene jeweils aktuell verfolgt werden. Insbesondere soll dabei auf die verwendeten Methoden fokussiert werden. Es wird gezeigt, dass auf Bundesebene geografische Methoden z. B. in der Surveillance angewendet werden; auf Länderebene gibt es z. B. Gesundheitsatlanten und auf der Kommunalebene verschiedene geografische Analysen. Die methodische Spannweite reicht von einfacheren Kartendarstellungen auf unterschiedlichen Aggregationsebenen bis hin zu komplexeren Verfahren wie raum-zeitlichen Darstellungen und räumlichen Glättungsverfahren. Fehlender Datenzugang oder datenschutzrechtliche Aspekte behindern noch häufig die Verbindung mit weiteren Datenquellen oder kleinräumigere Darstellungen. Vor allem ein besserer Zugang zu Daten auf kleinräumiger Ebene könnte die GBE aber erheblich erleichtern. Die Bevölkerung und Entscheidungsträger könnten dadurch noch umfassender informiert und folglich die Gesundheit und die gesundheitliche Versorgung der Bevölkerung verbessert werden.

The main contribution of this thesis is the concept of Fenchel duality with a focus on its application in the field of machine learning problems and image restoration tasks. We formulate a general optimization problem for modeling support vector machine tasks and assign a Fenchel dual problem to it, prove weak and strong duality statements as well as necessary and sufficient optimality conditions for that primal-dual pair. In addition, several special instances of the general optimization problem are derived for different choices of loss functions for both the regression and the classifification task. The convenience of these approaches is demonstrated by numerically solving several problems. We formulate a general nonsmooth optimization problem and assign a Fenchel dual problem to it. It is shown that the optimal objective values of the primal and the dual one coincide and that the primal problem has an optimal solution under certain assumptions. The dual problem turns out to be nonsmooth in general and therefore a regularization is performed twice to obtain an approximate dual problem that can be solved efficiently via a fast gradient algorithm. We show how an approximate optimal and feasible primal solution can be constructed by means of some sequences of proximal points closely related to the dual iterates. Furthermore, we show that the solution will indeed converge to the optimal solution of the primal for arbitrarily small accuracy. Finally, the support vector regression task is obtained to arise as a particular case of the general optimization problem and the theory is specialized to this problem. We calculate several proximal points occurring when using difffferent loss functions as well as for some regularization problems applied in image restoration tasks. Numerical experiments illustrate the applicability of our approach for these types of problems.

In dieser Arbeit werden Algorithmen zur Lösung von linearen semidefiniten Programmen beschrieben. Unter einer geeigneten Regularitätsvoraussetzung ist ein semidefinites Programm äquivalent zu seinen Optimalitätsbedingungen. Die Optimalitätsbedingungen bzw. die Zentralen-Pfad-Bedingungen überführen wir zunächst durch matrixwertige NCP-Funktionen in ein nichtlineares Gleichungssystem. Dieses nichtlineare und teilweise nicht differenzierbare Gleichungssystem lösen wir dann mit einem Newton-ähnlichen Verfahren. Durch die Umformulierung in ein nichtlineares Gleichungssystem muss während der Iteration nicht mehr explizit die positive (Semi-)Definitheit der beteiligten Matrizen beachtet werden. Weiter wird gezeigt, dass dieser Ansatz im Gegensatz zu Inneren-Punkte-Methoden sofort symmetrische Suchrichtungen erzeugt. Um globale Konvergenz zu erhalten, werden verschiedene Globalisierungsstrategien (Schrittweitenbestimmung, Trust-Region-Ansatz) untersucht. Für das betrachtete Prädiktor-Korrektor-Verfahren und das Trust-Region-Verfahren wird lokal superlineare Konvergenz unter strikter Komplementarität und Nichtdegeneriertheit gezeigt. Die theoretische Untersuchung eines nichtglatten Newton-Verfahrens liefert ein lokal quadratisches Konvergenzverhalten ohne strikte Komplementarität, wenn die Nichtdegeneriertheitsvoraussetzung geeignet modifiziert wird
In this thesis we consider algorithms to compute a solution of linear semidefinite programs. Under a suitable regularity condition a semidefinite program is equivalent to its optimality conditions. These optimality conditions, or central-path-conditions, are reformulated as a nonlinear system of equations via matrix-valued NCP-functions. This nonlinear and partly nonsmooth system of equations is solved with a Newton-type method. Because of the reformulation as a nonlinear system of equations, we do not need the iterates to be positive (semi-)definite. Moreover, this reformulation automatically computes symmetric search directions, in contrast to interior point methods. To obtain global convergence, different globalizations (line search, trust-region) are considered. For the predictor-corrector method and the trust-region-method global and local superlinear convergence is shown under strikt complementarity and nondegeneracy. The theoretical investigation of a nonsmooth version of Newton's methods yields locally quadratic convergence without strict complementarity if the nondegeneracy conditon is modified in a suitable way

The main contribution of this thesis is the concept of Fenchel duality with a focus on its application in the field of machine learning problems and image restoration tasks. We formulate a general optimization problem for modeling support vector machine tasks and assign a Fenchel dual problem to it, prove weak and strong duality statements as well as necessary and sufficient optimality conditions for that primal-dual pair. In addition, several special instances of the general optimization problem are derived for different choices of loss functions for both the regression and the classifification task. The convenience of these approaches is demonstrated by numerically solving several problems. We formulate a general nonsmooth optimization problem and assign a Fenchel dual problem to it. It is shown that the optimal objective values of the primal and the dual one coincide and that the primal problem has an optimal solution under certain assumptions. The dual problem turns out to be nonsmooth in general and therefore a regularization is performed twice to obtain an approximate dual problem that can be solved efficiently via a fast gradient algorithm. We show how an approximate optimal and feasible primal solution can be constructed by means of some sequences of proximal points closely related to the dual iterates. Furthermore, we show that the solution will indeed converge to the optimal solution of the primal for arbitrarily small accuracy. Finally, the support vector regression task is obtained to arise as a particular case of the general optimization problem and the theory is specialized to this problem. We calculate several proximal points occurring when using difffferent loss functions as well as for some regularization problems applied in image restoration tasks. Numerical experiments illustrate the applicability of our approach for these types of problems.