ترجمه فارسی مقاله استفاده از اثر انگشت داده‌ها برای انتخاب الگوریتم حفظ حریم خصوصی در طبقه‌بندی سری‌های زمانی: برآورد عملکرد و عدم قطعیت در مجموعه داده‌های نادیده

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 Utilizing Data Fingerprints for Privacy-Preserving Algorithm Selection in Time Series Classification: Performance and Uncertainty Estimation on Unseen Datasets
عنوان مقاله به فارسی استفاده از اثر انگشت داده‌ها برای انتخاب الگوریتم حفظ حریم خصوصی در طبقه‌بندی سری‌های زمانی: برآورد عملکرد و عدم قطعیت در مجموعه داده‌های نادیده
نویسندگان Lars Böcking, Leopold Müller, Niklas Kühl
فرمت مقاله انگلیسی PDF
تعداد صفحات 10
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 13 September, 2024; originally announced September 2024. , Comments: Hawaii International Conference on System Sciences (HICSS-58) 2025
توضیحات به فارسی ارسال شده 13 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: کنفرانس بین المللی هاوایی علوم سیستم (HICSS-58) 2025
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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

The selection of algorithms is a crucial step in designing AI services for real-world time series classification use cases. Traditional methods such as neural architecture search, automated machine learning, combined algorithm selection, and hyperparameter optimizations are effective but require considerable computational resources and necessitate access to all data points to run their optimizations. In this work, we introduce a novel data fingerprint that describes any time series classification dataset in a privacy-preserving manner and provides insight into the algorithm selection problem without requiring training on the (unseen) dataset. By decomposing the multi-target regression problem, only our data fingerprints are used to estimate algorithm performance and uncertainty in a scalable and adaptable manner. Our approach is evaluated on the 112 University of California riverside benchmark datasets, demonstrating its effectiveness in predicting the performance of 35 state-of-the-art algorithms and providing valuable insights for effective algorithm selection in time series classification service systems, improving a naive baseline by 7.32% on average in estimating the mean performance and 15.81% in estimating the uncertainty.

چکیده به فارسی (ترجمه ماشینی)

انتخاب الگوریتم ها گام مهمی در طراحی خدمات AI برای موارد استفاده از مجموعه زمانی در دنیای واقعی است.روشهای سنتی مانند جستجوی معماری عصبی ، یادگیری خودکار ماشین ، انتخاب الگوریتم ترکیبی و بهینه سازی هایپرپارامتر مؤثر هستند اما به منابع محاسباتی قابل توجهی نیاز دارند و برای اجرای بهینه سازی خود نیاز به دسترسی به همه نقاط داده دارند.در این کار ، ما یک اثر انگشت داده های جدید را معرفی می کنیم که مجموعه داده های طبقه بندی سری زمانی را به صورت حفظ حریم خصوصی توصیف می کند و بدون نیاز به آموزش در مجموعه داده (غیب) ، بینش در مورد مشکل انتخاب الگوریتم را ارائه می دهد.با تجزیه مشکل رگرسیون چند هدف ، فقط از اثر انگشت داده های ما برای برآورد عملکرد الگوریتم و عدم اطمینان به روشی مقیاس پذیر و سازگار استفاده می شود.رویکرد ما در مورد مجموعه داده های معیار 112 دانشگاه کالیفرنیا ریورساید ارزیابی شده است ، و اثربخشی آن را در پیش بینی عملکرد 35 الگوریتم پیشرفته و ارائه بینش های ارزشمند برای انتخاب الگوریتم مؤثر در سیستم های خدمات طبقه بندی سری زمانی نشان می دهد ، یک پایه اصلی را بهبود می بخشد.به طور متوسط ​​7.32 ٪ در تخمین میانگین عملکرد و 15.81 ٪ در تخمین عدم اطمینان.

📚 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.