اکسپرس 24
ترجمه فارسی مقاله فرآیندهای گاوسی لجستیک دیریکله برای ارزیابی سیستم‌های تصادفی جعبه سیاه تحت شرایط پیچیده

ترجمه فارسی مقاله فرآیندهای گاوسی لجستیک دیریکله برای ارزیابی سیستم‌های تصادفی جعبه سیاه تحت شرایط پیچیده

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 Dirichlet Logistic Gaussian Processes for Evaluation of Black-Box Stochastic Systems under Complex Requirements
عنوان مقاله به فارسی فرآیندهای گاوسی لجستیک دیریکله برای ارزیابی سیستم‌های تصادفی جعبه سیاه تحت شرایط پیچیده
نویسندگان Ryohei Oura, Yuji Ito
فرمت مقاله انگلیسی PDF
تعداد صفحات 7
دسته بندی موضوعات Systems and Control,سیستم و کنترل ,
توضیحات Submitted 30 August, 2024; v1 submitted 5 August, 2024; originally announced August 2024. , Comments: 7 pages, 5figures. This paper has been accepted the 27th European Conference on Artificial Intelligence
توضیحات به فارسی ارسال شده در 30 اوت 2024 ؛V1 ارسال شده 5 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: 7 صفحه ، 5 شکل.این مقاله بیست و هفتمین کنفرانس اروپا در زمینه هوش مصنوعی پذیرفته شده است

قیمت: 19,000 تومان

سفارش

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

قیمت: 280,000 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

The requirement-driven performance evaluation of a black-box cyber-physical system (CPS) that utilizes machine learning methods has proven to be an effective way to assess the quality of the CPS. However, the distributional evaluation of the performance has been poorly considered. Although many uncertainty estimation methods have been advocated, they have not successfully estimated highly complex performance distributions under small data. In this paper, we propose a method to distributionally evaluate the performance under complex requirements using small input-trajectory data. To handle the unknown complex probability distributions under small data, we discretize the corresponding performance measure, yielding a discrete random process over an input region. Then, we propose a semiparametric Bayesian model of the discrete process based on a Dirichlet random field whose parameter function is represented by multiple logistic Gaussian processes (LGPs). The Dirichlet posterior parameter function is estimated through the LGP posteriors in a reasonable and conservative fashion. We show that the proposed Bayesian model converges to the true discrete random process as the number of data becomes large enough. We also empirically demonstrate the effectiveness of the proposed method by simulation.

چکیده به فارسی (ترجمه ماشینی)

ارزیابی عملکرد مورد نیاز محور از یک سیستم سایبری فیزیکی جعبه سیاه (CPS) که از روشهای یادگیری ماشین استفاده می کند ، یک روش مؤثر برای ارزیابی کیفیت CPS است.با این حال ، ارزیابی توزیع عملکرد ضعیف در نظر گرفته شده است.اگرچه از بسیاری از روشهای تخمین عدم اطمینان حمایت شده است ، اما آنها با موفقیت توزیع عملکرد بسیار پیچیده را تحت داده های کوچک تخمین زده اند.در این مقاله ، ما روشی را برای ارزیابی توزیع عملکرد تحت الزامات پیچیده با استفاده از داده های کوچک ورودی ورودی پیشنهاد می کنیم.برای رسیدگی به توزیع های احتمال پیچیده ناشناخته تحت داده های کوچک ، ما اندازه گیری عملکرد مربوطه را گسسته می کنیم و یک فرآیند تصادفی گسسته را در یک منطقه ورودی به دست می آوریم.سپس ، ما یک مدل بیزی نیمهرامتری از فرآیند گسسته را بر اساس یک میدان تصادفی Dirichlet پیشنهاد می کنیم که عملکرد پارامتر آن توسط چندین فرآیند گازی لجستیک (LGPS) نشان داده شده است.عملکرد پارامتر خلفی Dirichlet از طریق خلفی LGP به روشی معقول و محافظه کارانه تخمین زده می شود.ما نشان می دهیم که مدل پیشنهادی بیزی به فرآیند تصادفی گسسته واقعی همگرا می شود زیرا تعداد داده ها به اندازه کافی بزرگ می شوند.ما همچنین به صورت تجربی اثربخشی روش پیشنهادی را با شبیه سازی نشان می دهیم.

📚 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.