اکسپرس 24
ترجمه فارسی مقاله اشکال‌زدایی داده‌ها برای طبقه‌بندی‌کننده‌های آموزش‌دیده با SGD، NP-hard است.

ترجمه فارسی مقاله اشکال‌زدایی داده‌ها برای طبقه‌بندی‌کننده‌های آموزش‌دیده با SGD، NP-hard است.

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 Data Debugging is NP-hard for Classifiers Trained with SGD
عنوان مقاله به فارسی اشکال‌زدایی داده‌ها برای طبقه‌بندی‌کننده‌های آموزش‌دیده با SGD، NP-hard است.
نویسندگان Zizheng Guo, Pengyu Chen, Yanzhang Fu, Dongjing Miao
فرمت مقاله انگلیسی PDF
تعداد صفحات 20
دسته بندی موضوعات Computational Complexity,Machine Learning,پیچیدگی محاسباتی , یادگیری ماشین ,
توضیحات Submitted 2 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 2 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

دانلود مقاله اصل انگلیسی + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 99,000 تومان

سفارش + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی و ترجمه کامل آن، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 800,000 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

Data debugging is to find a subset of the training data such that the model obtained by retraining on the subset has a better accuracy. A bunch of heuristic approaches are proposed, however, none of them are guaranteed to solve this problem effectively. This leaves an open issue whether there exists an efficient algorithm to find the subset such that the model obtained by retraining on it has a better accuracy. To answer this open question and provide theoretical basis for further study on developing better algorithms for data debugging, we investigate the computational complexity of the problem named Debuggable. Given a machine learning model $mathcal{M}$ obtained by training on dataset $D$ and a test instance $(mathbf{x}_text{test},y_text{test})$ where $mathcal{M}(mathbf{x}_text{test})neq y_text{test}$, Debuggable is to determine whether there exists a subset $D^prime$ of $D$ such that the model $mathcal{M}^prime$ obtained by retraining on $D^prime$ satisfies $mathcal{M}^prime(mathbf{x}_text{test})=y_text{test}$. To cover a wide range of commonly used models, we take SGD-trained linear classifier as the model and derive the following main results. (1) If the loss function and the dimension of the model are not fixed, Debuggable is NP-complete regardless of the training order in which all the training samples are processed during SGD. (2) For hinge-like loss functions, a comprehensive analysis on the computational complexity of Debuggable is provided; (3) If the loss function is a linear function, Debuggable can be solved in linear time, that is, data debugging can be solved easily in this case. These results not only highlight the limitations of current approaches but also offer new insights into data debugging.

چکیده به فارسی (ترجمه ماشینی)

اشکال زدایی داده ها برای یافتن زیر مجموعه ای از داده های آموزش به گونه ای است که مدل به دست آمده با بازآموزی در زیر مجموعه از دقت بهتری برخوردار است.دسته ای از رویکردهای اکتشافی ارائه شده است ، با این حال ، هیچ یک از آنها تضمین نشده اند تا این مشکل را به طور مؤثر حل کنند.این مسئله باز است که آیا یک الگوریتم کارآمد برای یافتن زیر مجموعه وجود دارد به گونه ای که مدل به دست آمده با بازآموزی روی آن دقت بهتری داشته باشد.برای پاسخ به این سؤال باز و ارائه مبنای نظری برای مطالعه بیشتر در مورد توسعه الگوریتم های بهتر برای اشکال زدایی داده ها ، ما پیچیدگی محاسباتی مسئله ای را به نام اشکال زدایی بررسی می کنیم.با توجه به یک مدل یادگیری ماشین $ mathcal {m} $ به دست آمده با آموزش در داده $ d $ و یک نمونه آزمون $ ( mathbf {x} _ text {test} ، y_ text {آزمون}) جایی که $ mathcal $ mathcal{m} ( mathbf {x} _ text {test}) neq y_ text {test} $ ، قابل اشکال این است که تعیین کنید که آیا یک زیر مجموعه $ d^ prime $ d $ وجود دارد به گونه ای که مدل $ $ $ mathcal {m}^ prime $ بدست آمده با بازآموزی در $ d^ prime $ $ mathcal {m}^ prime ( mathbf {x} _ text {test}) = y_ text {آزمون} $ را برآورده می کند.بشربرای پوشاندن طیف گسترده ای از مدلهای متداول ، طبقه بندی خطی آموزش دیده SGD را به عنوان مدل می گیریم و نتایج اصلی زیر را استخراج می کنیم.(1) اگر عملکرد از دست دادن و ابعاد مدل ثابت نباشد ، اشکال زدایی بدون توجه به ترتیب آموزشی که در آن همه نمونه های آموزش در طول SGD پردازش می شوند ، کاملاً مناسب نیست.(2) برای توابع از دست دادن مانند لولا ، تجزیه و تحلیل جامع در مورد پیچیدگی محاسباتی اشکال زدایی ارائه شده است.(3) اگر عملکرد از دست دادن یک تابع خطی باشد ، اشکال زدایی را می توان در زمان خطی حل کرد ، یعنی اشکال زدایی داده ها در این مورد به راحتی قابل حل است.این نتایج نه تنها محدودیت های رویکردهای فعلی را برجسته می کند بلکه بینش جدیدی در مورد اشکال زدایی داده ها نیز ارائه می دهد.

📚 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.