New extensions and perspectives on slow feature analysis

In dieser Dissertation werden drei Erweiterungen und Perspektiven auf die Slow Feature Analyse (SFA) erarbeitet: 1) Eine Modifikation neuronaler Netze und vergleichbarer Architekturen, die es erlaubt, die SFA-eigenen Nebenbedingungen zu erfüllen, ohne dabei die Möglichkeit des Ende-zu-Ende Trainings einer entsprechenden Zielfunktion einzuschränken. 2) Eine Untersuchung, wie zielgerichtetes Verhalten den Nutzen langsamer Merkmale für das Verstärkungslernen beeinflusst. Hierbei werden entsprechende Merkmale für ergodische Markov-Ketten analytisch hergeleitet und die Auswirkung der Ziel-Affinität eines Verhaltens auf die Approximationsgüte von Wertefunktionen empirisch evaluiert. 3) Einen Zusammenhang zwischen der Optimierung einer regularisierten SFA-Zielfunktion und der variationellen Approximation der a-posteriori Verteilung der latenten Variablen eines probablistischen Modells mit linearer gaußscher Dynamik.