Skip to main content
Register
Springer Professional
SEARCH
Menu 1 2 3 4
Top

Hint

Swipe to navigate through the chapters of this book

Published in:
Einführung Read chapter Read first chapter

2017 | OriginalPaper | Chapter

9. Methoden des maschinellen Lernens und der Computational Intelligence zur Auswertung heterogener Daten in der digitalen Forensik

Authors : Dr. Tina Geweniger, Dr. rer. nat. Marika Kaden, Prof. Dr. rer. nat. habil. Thomas Villmann

Published in: Forensik in der digitalen Welt

Publisher: Springer Berlin Heidelberg

Login to get access
share
SHARE

Zusammenfassung

In diesem Beitrag werden aktuelle Methoden der angewandten Datenanalyse zum Clustern und Klassifizieren vorgestellt. Das automatische Klassifizieren und Clustern von großen Datenmengen von zum Teil heterogenen Datenstrukturen ist ein zentrales Thema in vielen Bereichen der Forensik. Daher sollen hier neuere Methoden der Computational Intelligence zu diesem Problemfeld vorgestellt werden, welche sich als robuste und intuitive Verfahren herausgestellt haben. Dabei wird auf leicht interpretierbare Modelle Wert gelegt. Insbesondere liegt der Fokus auf sogenannten prototypbasierten Modellen der Vektorquantisierung. Ausgehend von einer kurzen Thematisierung des Begriffs der mathematischen Ähnlichkeit von Datenobjekten, werden verschiedene adaptive Verfahren vorgestellt, denen aber einige wenige Prinzipien und Heuristiken zu Grunde liegen. Das betrifft das Stellvertreterprinzip für Daten durch repräsentative Prototypen sowie die robuste Anpassungsfähigkeit der Modelle auf der Basis mathematisch verifizierter Algorithmen. Der Beitrag vermittelt dazu einen einführenden Überblick.

To get access to this content you need the following product:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 69.000 Bücher
  • über 500 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt 90 Tage mit der neuen Mini-Lizenz testen!

inform now

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 50.000 Bücher
  • über 380 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe



 


Jetzt 90 Tage mit der neuen Mini-Lizenz testen!

inform now

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 58.000 Bücher
  • über 300 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko





Jetzt 90 Tage mit der neuen Mini-Lizenz testen!

inform now
previous chapter Audioforensik
next chapter Digitale Forensik zwischen (Online-)Durchsuchung, Beschlagnahme und Datenschutz
Footnotes
1
Eine für nichtkommerzielle Zwecke freie MATLAB\(\circledR\)-Toolbox für SOMs ist verfügbar [27, 50].
 
2
Testdaten sind hier nicht im Sinne einer Modellvalidierung zu verstehen, sondern als zu bearbeitende Daten im Anwendungsfall.
 
Literature
1.
Ball, G., Hall, D.: Isodata an iterative method of multivariate data analysis and pattern classification (1965)
2.
Ball, G.H., Hall, D.J.: A clustering technique for summarizing multivariate data. Behavioral Science 12(2), 153–155 (1967) CrossRefPubMed
3.
Bauer, H.U., Pawelzik, K.R.: Quantifying the neighborhood preservation of Self-Organizing Feature Maps. IEEE Trans. on Neural Networks 3(4), 570–579 (1992) CrossRefPubMed
4.
Becker, P.: Wie big sind die Big Five. Zeitschrift für Differentielle und Diagnostische Psychologie 17(4), 209–221 (1996)
5.
Bezdek, J.: A convergence theorem for the fuzzy isodata clustering algorithms. IEEE Transactions on Pattern Analysis and Machine Intelligence 2(1), 1–8 (1980) CrossRefPubMed
6.
7.
Bishop, C.: Pattern Recognition and Machine Learning. Springer Science+Business Media, LLC, New York, NY (2006)
8.
Borkenau, P., Ostendorf, F.: Untersuchung zum Fünf-Faktorenmodell der Persönlichkeit und seiner diagnostischen Erfassung. Zeitschrift für Differentielle und Diagnostische Psychologie 10(4), 239–251 (1989)
9.
Cilibrasi, R., Vitányi, P.: Clustering by compression. IEEE Transactions on Information Theory 51(4), 1523–1545 (2005) CrossRef
10.
Cottrell, M., Hammer, B., Hasenfuss, A., Villmann, T.: Batch and median neural gas. Neural Networks 19, 762–771 (2006) CrossRefPubMed
11.
Duda, R., Hart, P.: Pattern Classification and Scene Analysis. Wiley, New York (1973)
12.
Dunn, J.C.: A fuzzy relative of the ISODATA process and its use in detecting compact well-separated clusters. Journal of Cybernetics 3(3), 32–57 (1973). doi: 10.1080/01969727308546046 CrossRef
13.
14.
Frey, B.J., Dueck, D.: Clustering by passing messages between data points. Science 315, 972–976 (2007) CrossRefPubMed
15.
16.
17.
Hammer, B., Villmann, T.: Generalized relevance learning vector quantization. Neural Networks 15(8–9), 1059–1068 (2002) CrossRefPubMed
18.
Hathaway, R., Bezdek, J.: Local convergence of the fuzzy c-means algorithm. Pattern recognition 19(6), 477–480 (1986) CrossRef
19.
Haykin, S.: Neural Networks - A Comprehensive Foundation. IEEE Press, New York (1994)
20.
Heskes, T.: Energy functions for self-organizing maps. In: Oja, E., Kaski, S. (Hrsg.) Kohonen Maps, S. 303–316. Elsevier, Amsterdam (1999) CrossRef
21.
Kacprzyk, J., Pedrycz, W. (Hrsg.): Springer Handbook of Computational Intelligence. Springer, Dordrecht, Heidelberg (2014)
22.
Kaden, M., Riedel., M., Hermann, W., Villmann, T.: Border-sensitive learning in generalized learning vector quantization: an alternative to support vector machines. Soft Computing, S. in press (2015)
23.
Kästner, M., Villmann, T.: Fuzzy supervised self-organizing map for semi-supervised vector quantization. In: Rutkowski, L., Korytkowski, M., Scherer, R., Tadeusiewicz, R., Zadeh, L., Zurada, J. (Hrsg.) Artificial Intelligence and Soft Computing, Lecture Notes in Computer Science, Bd. 7267, S. 256–265. Springer Berlin Heidelberg (2012) CrossRef
24.
Kiviluoto, K.: Topology preservation in self-organizing maps. In: ICNN 96. The 1996 IEEE International Conference on Neural Networks, Bd. 1, S. 294–9. IEEE, New York, NY, USA (1996)
25.
Kohonen, T.: Self-Organization and Associative Memory, Springer Series in Information Sciences, Bd. 8. Springer, Berlin, Heidelberg (1984). 3. Aufl. 1989.
26.
Kohonen, T.: Self-Organizing Maps, Springer Series in Information Sciences, Bd. 30. Springer, Berlin, Heidelberg (1995). (2. erweiterte Aufl. 1997).
27.
Kohonen, T.: MATLAB Implementations and Applications of the Self-Organizing Map. Unigrafia Oy, Helsinki, Finland (2014)
28.
Kolmogorov, A.: On tables of random numbers. Sankhya: The Indian Journal of Statistics. Ser. A 25, 369–375 (1963)
29.
Läuter, H., Pincus, R.: Mathematisch-statistische Datenanalyse. Akademie-Verlag (1989)
30.
Levenshtein, V.: Binary codes capable of correcting deletions, insertions, and reversals. Doklady Akademii Nauk SSSR 163(4), 845–848 (1965)
31.
Lowe, D.: Object recognition from local scale-invariant features. In: The Proceedings of the Seventh IEEE International Conference on Computer Vision, Bd. 2, S. 1150–1157 (1999)
32.
Lowe, D.: Distinctive image features from scale-invariant keypoints. International Journal of Computer Vision 60(2), 91–110 (2004) CrossRef
33.
Maltoni, D., Maio, D., Jain, A., Prabhakar, S.: Handbook of Fingerprint Recognition. Springer, Berlin-Heidelberg (2009) CrossRef
34.
Martinetz, T.M., Berkovich, S.G., Schulten, K.J.: ‘‘neural-gas’’ network for vector quantization and its application to time-series prediction. IEEE Transactions on Neural Networks 4(4), 558–569 (1993) CrossRefPubMed
35.
Mergenthaler, E.: Emotions-Abstraktionsmuster in Verbatimprotokollen. Verlag für Akademische Schriften, Frankfurt (1997)
36.
Miyamoto, S., Ichihashi, H., Honda, K.: Algorithms for Fuzzy Clustering, Studies in Fuzziness and Soft Computing, Bd. 229. Springer (2008)
37.
38.
Pekalska, E., Duin, R.: The Dissimilarity Representation for Pattern Recognition: Foundations and Applications. World Scientific (2006)
39.
40.
Rissanen, J.: Modeling by shortest data description. Automatica 14, 149–162 (1978) CrossRef
41.
42.
Salton, G., McGill, M.: Introduction to modern information retrieval. McGraw-Hill, New York (1983)
43.
Sato, A.S., Yamada, K.: Generalized learning vector quantization. In: G. Tesauro, D. Touretzky, T. Leen (Hrsg.) Advances in Neural Information Processing Systems, Bd. 7, S. 423–429. MIT Press (1995)
44.
Schneider, P., Hammer, B., Biehl, M.: Adaptive relevance matrices in learning vector quantization. Neural Computation 21, 3532–3561 (2009) CrossRefPubMed
45.
Schneider, P., Schleif, F.M., Villmann, T., Biehl, M.: Generalized matrix learning vector quantizer for the analysis of spectral data. In: Verleysen, M. (Hrsg.) Proc. Of European Symposium on Artificial Neural Networks (ESANN’2008), S. 451–456. d-side publications, Evere, Belgium (2008)
46.
Schölkopf, B., Smola, A.: Learning with Kernels. MIT Press (2002)
47.
Seo, S., Obermayer, K.: Soft learning vector quantization. Neural Computation 15, 1589–1604 (2003) CrossRefPubMed
48.
Vesanto, J.: Som-based data visualization methods. Intelligent Data Analysis 3, 111–26 (1999) CrossRef
49.
Vesanto, J., Alhoniemi, E.: Clustering of the self-organizing map. IEEE Transaction on Neural Networks 11(3), 586–600 (2000) CrossRefPubMed
50.
Vesanto, J., Alhoniemi, E., Himberg, J., Kiviluoto, K., Parviainen, J.: Self-organizing map for data mining in matlab: The som toolbox. Simulation News Europe (25), 54 (1999)
51.
Villmann, T., Der, R., Herrmann, M., Martinetz, T.M.: Topology preservation in self-organizing feature maps: exact definition and measurement. IEEE Transactions on Neural Networks 8(2), 256–266 (1997) CrossRefPubMed
52.
Villmann, T., Hammer, B., Biehl, M.: Some theoretical aspects of the neural gas vector quantizer. In: M. Biehl, B. Hammer, M. Verleysen, T. Villmann (Hrsg.) Similarity-based Clustering, LNAI, Bd. 5400, S. 23–34. Springer, Berlin (2009) CrossRef
53.
Villmann, T., Seiffert, U., Schleif, F.M., Brüß, C., Geweniger, T., Hammer, B.: Fuzzy labeled self-organizing map with label-adjusted prototypes. In: Schwenker, F., Marinai, S. (Hrsg.) Proceedings of Conference Artificial Neural Networks in Pattern Recognition (ANNPR) 2006, Ulm, Germany, LNAI 4087, S. 46–56. Springer (2006)
54.
Watson, J., Crick, F.: Molecular structure of nucleic acids. a structure for deoxyribose nucleic acid. Nature 171(4356), 737–738 (1953) CrossRefPubMed
55.
Ziv, J., Lempel, A.: Compression of individual sequences via variable-rate coding. IEEE Transactions on Information Theory 24(5), 530–536 (1978) CrossRef
56.
Zühlke, D.: Vector quantization based learning algorithms for mixed data types and their application in cognitive support systems for biomedical research. Ph.D. thesis, University Groningen, Johann-Bernoulli-Institute for Mathematics and Computer Sciences (2012)
Metadata
Title
Methoden des maschinellen Lernens und der Computational Intelligence zur Auswertung heterogener Daten in der digitalen Forensik
Authors
Dr. Tina Geweniger
Dr. rer. nat. Marika Kaden
Prof. Dr. rer. nat. habil. Thomas Villmann
Copyright Year
2017
Publisher
Springer Berlin Heidelberg
Book
Forensik in der digitalen Welt

Print ISBN: 978-3-662-53800-5

Electronic ISBN: 978-3-662-53801-2

Copyright Year: 2017

DOI
https://doi.org/10.1007/978-3-662-53801-2_9

Premium Partner

Neuer Inhalt
    Image Credits