Intelligenztests und maschinelles Lernen : Lösungsansätze mit neuronalen Netzen für Diagrammsequenzen

Abstract

In dieser Bachelorarbeit werden verschiedene Architekturen neuronaler Netze auf ihre Fähigkeit untersucht, ein Problem zu lösen, welches eine Vielzahl von Domänen vereint: Bildverarbeitung und Generierung von Bildern, Sequenzverarbeitung, Erkennung von Relationen in Daten und Dimensionsreduzierung. Dazu wird eine bestimmte Art von Intelligenztests herangezogen. Diese geben eine Abfolge von fünf Bildern vor, welche geometrische Formen beinhalten, die ihre Ausprägungen und Positionen über die Sequenz hinweg verändern. Diesen Veränderungen unterliegen bestimmte Muster, welche erkannt werden müssen, um ein sechstes Bild korrekt zu generieren. Die verwendeten Tests werden als Diagrammsequenzen bezeichnet und werden im Rahmen dieser Arbeit eigens generiert. Ausgehend von einem geläufigen Ansatz für ein verwandtes Problem, werden insgesamt vier verschiedene Ansätze von Architekturen neuronaler Netze an diesem Problem erprobt. Die Ansätze sind dabei aufeinander aufbauend und versuchen nach Analyse des jeweiligen Vorgängers Verbesserungsmöglichkeiten aufzugreifen, womit das Problem automatisch aus verschiedenen Perspektiven betrachtet wird. Die vier verschiedenen Ansätze werden ausgewertet und verglichen, außerdem wird die Funktionsweise der Ansätze durch einen Blick in die Modelle verdeutlicht. Durch die Vielseitigkeit des betrachteten Problems bietet die Arbeit darüber hinaus einen breiten Überblick über geläufige und weniger verbreitete Konzepte des maschinellen Lernens und wie diese zur Lösung einer ausgewählten Aufgabe kombiniert werden können.

In this bachelor thesis, multiple neural networks are evaluated in regard to their ability to solve a problem which combines a number of domains: image processing and image generation, sequence processing, recognition of relations in data and dimensionality reduction. A certain kind of intelligence tests is chosen for this. They consist of a sequence of five images containing geometric figures which change their shape and position in each image. Certain patterns underlie these changes and the task is to recognize these patterns to be able to generate the following sixth image. These tests are called diagram sequences and their creation is also part of this work. Starting with an approach for a related problem, in the end the solving abilities of a total of four approaches using neural networks are tested. The approaches are based on each other, each representing a possible improvement to their respective predecessor after analyzing their possible drawbacks. Consequentially the problem is viewed from a range of different perspectives. The four approaches are evaluated and compared. Also the inner workings of the used models are elucidated. Due to the versatility of the examined problem a broad overview of the field of machine learning is given, considering both common and less widespread concepts of neural networks and how they can be combined to solve a certain task.