Watanabe

Buch: Pattern Recognition: Human and Mechanical (1985)

• 10 Kapitel, relativ weit gefasster Begriff der Mustererkennung

• Betrachtung des Problems aus verschiedenen Perspektiven

geb.: Tokio (1910)

• Kernphysiker in Deutschland, IBM scientist, Professor an Yale und University of Hawaii

Wittgenstein: Mustererkennung: etwas1 als etwas2 sehen

• duckrabbit -> Bild: etwas1, Ente / Kaninchen: etwas2

Mustererkennung: ein Objekt als Teil einer Familie / Kategorie (die wir kennen) identifizieren

• viele (verschiedene Objekte) auf eines (eine Kategorie) reduzieren

Wahrnehmung hängt nicht nur von Objekt ab (etwas2 ist nicht direkt durch etwas1 vorgegeben)

Wahrnehmung stark abhängig von

• emotionalem Zustand des Betrachters

• Kontext

Wahrnehmung ist ein mentales Konstrukt, hängt von Aufmerksamkeit und unserem Bias ab

Beziehung zwischen tatsächlichen Objekten und allgemeinen Konzepten

• Konzept: Universal

Philosophie:

• Realismus: Universals existieren tatsächlich

• Nomialismus: Universal ist nur ein Begriff (Wort)

• Konzeptualismus: Universal existiert nicht in der Realität, aber in unserer Vorstellung

Ähnlichkeitstheorie:

• Klasse als Sammlung ählicher Objekte

• allg. Annahme: Objekte existieren wirklich, nicht aber die Universals

• Problem: “Ähnlichkeit” hängt wieder von der Betrachtung ab

Idee / Ansatz: Ähnlichkeit zweier Objekte kann durch Anzahl der Gemeinsamkeiten gemessen werden

• atomare Prädikate -> rank 1, 2, …

wenn Objekte durch n Prädikate beschrieben: 2^n mögliche Typen von Objekten, jeder Typ korrespondiert zu einem atomaren Prädikat

Problem: zwei unterscheidbare Objekte korrespondieren zu zwei Atomen -> Anzahl gemeinsamer Prädikate ist 2^m-2 (konstant)

Ugly Duckling Theorem: zwei unterscheidbare Objekte sind gleich ähnlich, da Anzahl gemeinsamer Prädikate konstant ist

Ursache des Problems: alle Prädikate sind als gleich wichtig betrachtet worden, müssen aber gewichtet werden

• Kriterium: Nutzen der Klassifikation -> Use-Case-spezifisch

Deduktion: allgemeine Regel -> spezifische Fakten

Induktion: erkenne allgemeine Regel anhand von begrenzter Anzahl an Fakten / Beispielen

Problem: oft nicht genug Evidence vorhanden, um Hypothesen zu bestätigen / widerlegen

inductive ambiguity: weitere Faktoren nötig, um Entscheidungen zu treffen (z.B. prior P(H) in Bayes rule, der wird aber oft ignoriert)

Heuristiken / menschliche Erfahrung (Wissen) kann als extra-evidential factor eingesetzt werden

Lernphase bestimmt P(x | y)

Entscheidung ist durch d(x) = y mit maximaler Wahrscheinlichkeit P(y|x) definiert

Problem: Wahrscheinlichkeit P(y|x) kann nicht allein durch P(x|y) bestimmt werden (Bayes Regel benötigt Priors, die nicht bestimmt werden können)