Die Suche innerhalb einer geordneten hierarchischen Struktur kann die Suchergebnisse verbessern. Es ist jedoch nicht auf Anhieb ersichtlich, wie die Datenstruktur eingerichtet werden muss, um diese Art der Suche zu unterstützen. In diesem Teil des Kurses untersuchen wir, wie man einen informationsbasierten „biased walk“ definiert, um schnell ein „schwarzes Schaf“ zu finden. Ausgehend von diesem Konzept des Durchlaufens einer Baumstruktur werden wir uns anschließend damit befassen, wie diese Baumstruktur am besten aufgebaut werden sollte.

Viele Anwendungen in der Praxis weisen extrem große Aktions- und/oder Hypothesenräume auf. Für die Umsetzung von Chernoffs Ideen muss es eine Möglichkeit geben, die Algorithmen schnell und in großem Maßstab anzuwenden. In dieser Reihe von Beiträgen untersuchen wir, wie Approximationen funktionieren können und wie Chernoffs Ideen auf verschiedene Problemtypen erweitert wurden.

Die Ideen, mit denen wir uns bisher beschäftigt haben, lassen sich auch auf Datenschnitte anwenden, die zu unterschiedlichen Zeitpunkten erfasst wurden, sowie zur Verbesserung von MRT-Aufnahmen und zum molekularen Proteindesign. All diesen Anwendungen ist das Konzept gemeinsam, sequenzielle Hypothesentests zur Verbesserung des Verständnisses einzusetzen. Darüber hinaus befinden sich alle drei Ideen derzeit in der aktiven Code-Entwicklung.

In unserer fünften Woche beschäftigen wir uns damit, wie man über das „Odd One Out“-Verfahren hinausgeht und sich der multiplen Hypothesentests für Datenströme zuwendet. Dies könnte beispielsweise bei der Festlegung einer Dosierung für ein Medikament oder bei der Identifizierung von Objekten in einer Bilderserie zum Einsatz kommen.