Bei der Interaktion zwischen Mensch und Maschine werden Informationen vorrangig über die haptischen, optischen und akustischen Kanäle ausgetauscht. In diesem Beitrag steht die bislang kaum untersuchte Forschungsfrage im Fokus, ob und, wenn ja, wie haptische und optische Einschätzungen von Probanden differieren. In dem Beitrag wird eine Laborstudie zur grundlagenorientierten Untersuchung von Oberflächen vorgestellt. Dabei werden Materialien des Interieurs und Exterieurs von Automobilen untersucht. Es zeigt sich, dass in bestimmten Bewertungsdimensionen ein Unterschied zwischen den Modalitäten besteht.

In this paper we present a new approach to handle concept drift using domain-specific knowledge. More precisely, we capitalize known context features to partition a domain into subdomains featuring static class distributions. Subsequently, we learn separate classifiers for each sub domain and classify new instances accordingly. To determine the optimal partitioning for a domain we apply a search algorithm aiming to maximize the resulting accuracy. In practical domains like fault detection concept drift often occurs in combination with imbalances data. As this issue gets more important learning models on smaller subdomains we additionally use sampling methods to handle it. Comparative experiments with artificial data sets showed that our approach outperforms a plain SVM regarding different performance measures. Summarized, the partitioning concept drift approach (PCD) is a possible way to handle concept drift in domains where the causing context features are at least partly known.

Zugl.: Cottbus, Techn. University, Diss., 2005.

Zugl.: Zürich, Techn. Hochsch., Diss., 2006

Zugl.: Diplomarbeit.

Zugl.: Berlin, Humboldt-Univ., Diss., 2003

Zugl.: Karlsruhe, Univ., Diss., 2005

Techn. Universiẗat, Diss., 2006--Darmstadt.

Darmstadt, Techn. Universiẗat, Diss., 2004. / Dateien im PDF-Format.

University, Diss.--Aachen, 2007.