اکسپرس 24
ترجمه فارسی مقاله آشکار کردن قدرت شبکه‌های عصبی پراکنده برای انتخاب ویژگی

ترجمه فارسی مقاله آشکار کردن قدرت شبکه‌های عصبی پراکنده برای انتخاب ویژگی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Unveiling the Power of Sparse Neural Networks for Feature Selection
عنوان مقاله به فارسی آشکار کردن قدرت شبکه‌های عصبی پراکنده برای انتخاب ویژگی
نویسندگان Zahra Atashgahi, Tennison Liu, Mykola Pechenizkiy, Raymond Veldhuis, Decebal Constantin Mocanu, Mihaela van der Schaar
فرمت مقاله انگلیسی PDF
تعداد صفحات 12
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 8 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 8 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 480,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Sparse Neural Networks (SNNs) have emerged as powerful tools for efficient feature selection. Leveraging the dynamic sparse training (DST) algorithms within SNNs has demonstrated promising feature selection capabilities while drastically reducing computational overheads. Despite these advancements, several critical aspects remain insufficiently explored for feature selection. Questions persist regarding the choice of the DST algorithm for network training, the choice of metric for ranking features/neurons, and the comparative performance of these methods across diverse datasets when compared to dense networks. This paper addresses these gaps by presenting a comprehensive systematic analysis of feature selection with sparse neural networks. Moreover, we introduce a novel metric considering sparse neural network characteristics, which is designed to quantify feature importance within the context of SNNs. Our findings show that feature selection with SNNs trained with DST algorithms can achieve, on average, more than $50%$ memory and $55%$ FLOPs reduction compared to the dense networks, while outperforming them in terms of the quality of the selected features. Our code and the supplementary material are available on GitHub (url{https://github.com/zahraatashgahi/Neuron-Attribution}).

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی پراکنده (SNN) به عنوان ابزاری قدرتمند برای انتخاب ویژگی های کارآمد ظاهر شده اند.استفاده از الگوریتم های آموزش پراکنده پویا (DST) در SNNS ، قابلیت انتخاب ویژگی های امیدوارکننده را نشان داده است در حالی که به طرز چشمگیری سربارهای محاسباتی را کاهش می دهد.با وجود این پیشرفت ها ، چندین جنبه مهم برای انتخاب ویژگی ها به اندازه کافی مورد بررسی قرار نمی گیرد.سؤالاتی در مورد انتخاب الگوریتم DST برای آموزش شبکه ، انتخاب متریک برای رتبه بندی ویژگی ها/نورون ها و عملکرد مقایسه ای این روش ها در مجموعه داده های متنوع در مقایسه با شبکه های متراکم ادامه دارد.در این مقاله با ارائه یک تجزیه و تحلیل سیستماتیک جامع از انتخاب ویژگی با شبکه های عصبی پراکنده ، این شکاف ها را بررسی می کند.علاوه بر این ، ما با توجه به ویژگی های شبکه عصبی پراکنده ، یک متریک جدید را معرفی می کنیم ، که برای تعیین کمیت اهمیت ویژگی در متن SNN ها طراحی شده است.یافته های ما نشان می دهد که انتخاب ویژگی با SNN هایی که با الگوریتم های DST آموزش دیده اند ، می توانند به طور متوسط ​​بیش از 50 ٪ $ حافظه و 55 $ $ کاهش فلاپ در مقایسه با شبکه های متراکم ، در حالی که از نظر کیفیت ویژگی های انتخاب شده از آنها استفاده می کنند.بشرکد و مواد تکمیلی ما در GitHub ( url {https://github.com/zahraatashgahi/neuron-attribution}) در دسترس است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.