Tensor-Kernel-Maschinen ermöglichen effizientes Transferlernen für die Anfallsdiagnose

In der neuesten Forschung wird ein innovatives Transfer‑Learning-Verfahren vorgestellt, das auf Tensor‑Kernel‑Maschinen basiert. Durch die Übertragung von „Wissen“ aus einem Quellproblem in ein angepasstes Modell mittels Regularisierung wird die Leistung in der Zielaufgabe gesteigert.

Der Schlüssel liegt in der Nutzung von Low‑Rank‑Tensor‑Netzwerken, die ein kompaktes, nichtlineares Modell im Primärraum erzeugen. Dadurch kann das Modell effizient angepasst werden, ohne zusätzliche Parameter hinzuzufügen – ein entscheidender Vorteil gegenüber herkömmlichen adaptiven SVM‑Ansätzen.

Als Anwendungsfall wurde die Anfallsdiagnose bei hinter dem Ohr platzierten EEG‑Messungen untersucht. Durch die Personalisierung patientenunabhängiger Modelle mit nur wenigen patientenspezifischen Daten erreichte das Adapt‑TKM‑Modell eine bessere Genauigkeit als sowohl reine patientenunabhängige als auch vollständig patientenspezifische Modelle. Gleichzeitig benötigt es rund 100‑mal weniger Parameter als das adaptive SVM, was zu einer deutlich schnelleren Inferenz führt.

Diese Eigenschaften machen das Adapt‑TKM besonders attraktiv für ressourcenbeschränkte Wearable‑Geräte, die schnelle und präzise Anfallswarnungen liefern sollen, ohne dabei die Rechenleistung oder den Speicherbedarf zu stark zu belasten.