ترجمه فارسی مقاله تخمین فرکانس افزوده یادگیری در پنجره های کشویی

چکیده

We show how to utilize machine learning approaches to improve sliding window algorithms for approximate frequency estimation problems, under the “algorithms with predictions” framework. In this dynamic environment, previous learning-augmented algorithms are less effective, since properties in sliding window resolution can differ significantly from the properties of the entire stream. Our focus is on the benefits of predicting and filtering out items with large next arrival times — that is, there is a large gap until their next appearance — from the stream, which we show improves the memory-accuracy tradeoffs significantly. We provide theorems that provide insight into how and by how much our technique can improve the sliding window algorithm, as well as experimental results using real-world data sets. Our work demonstrates that predictors can be useful in the challenging sliding window setting.

چکیده به فارسی (ترجمه ماشینی)

ما نشان می دهیم که چگونه از رویکردهای یادگیری ماشین برای بهبود الگوریتم های پنجره کشویی برای مشکلات تقریبی تخمین فرکانس ، تحت الگوریتم های “با پیش بینی” استفاده می کنیم.در این محیط پویا ، الگوریتم های قبلی آموخته شده با آموختگی کمتر موثر هستند ، زیرا خواص وضوح پنجره کشویی می تواند با خصوصیات کل جریان متفاوت باشد.تمرکز ما بر مزایای پیش بینی و فیلتر کردن موارد با زمان بزرگ ورود بعدی است-یعنی شکاف بزرگی وجود دارد تا ظاهر بعدی آنها-از جریان ، که ما نشان می دهیم باعث افزایش چشمگیر تجارت حافظه می شود.ما قضیه هایی را ارائه می دهیم که بینشی در مورد چگونگی و چگونگی تکنیک ما می تواند الگوریتم پنجره کشویی و همچنین نتایج تجربی را با استفاده از مجموعه داده های دنیای واقعی بهبود بخشد.کار ما نشان می دهد که پیش بینی کننده ها می توانند در تنظیم پنجره کشویی چالش برانگیز مفید باشند.