اکسپرس 24
ترجمه فارسی مقاله یادگیری فعال برای تخمین مجموعه سطح با استفاده از الگوریتم‌های تصادفی استرادل

ترجمه فارسی مقاله یادگیری فعال برای تخمین مجموعه سطح با استفاده از الگوریتم‌های تصادفی استرادل

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 Active Learning for Level Set Estimation Using Randomized Straddle Algorithms
عنوان مقاله به فارسی یادگیری فعال برای تخمین مجموعه سطح با استفاده از الگوریتم‌های تصادفی استرادل
نویسندگان Yu Inatsu, Shion Takeno, Kentaro Kutsukake, Ichiro Takeuchi
فرمت مقاله انگلیسی PDF
تعداد صفحات 21
دسته بندی موضوعات Machine Learning,Machine Learning,یادگیری ماشین , یادگیری ماشین ,
توضیحات Submitted 6 August, 2024; originally announced August 2024. , Comments: 21 pages, 4 figures
توضیحات به فارسی ارائه شده در 6 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 21 صفحه ، 4 شکل

قیمت: 19,000 تومان

سفارش

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

قیمت: 840,000 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

Level set estimation (LSE), the problem of identifying the set of input points where a function takes value above (or below) a given threshold, is important in practical applications. When the function is expensive-to-evaluate and black-box, the textit{straddle} algorithm, which is a representative heuristic for LSE based on Gaussian process models, and its extensions having theoretical guarantees have been developed. However, many of existing methods include a confidence parameter $β^{1/2}_t$ that must be specified by the user, and methods that choose $β^{1/2}_t$ heuristically do not provide theoretical guarantees. In contrast, theoretically guaranteed values of $β^{1/2}_t$ need to be increased depending on the number of iterations and candidate points, and are conservative and not good for practical performance. In this study, we propose a novel method, the textit{randomized straddle} algorithm, in which $β_t$ in the straddle algorithm is replaced by a random sample from the chi-squared distribution with two degrees of freedom. The confidence parameter in the proposed method has the advantages of not needing adjustment, not depending on the number of iterations and candidate points, and not being conservative. Furthermore, we show that the proposed method has theoretical guarantees that depend on the sample complexity and the number of iterations. Finally, we confirm the usefulness of the proposed method through numerical experiments using synthetic and real data.

چکیده به فارسی (ترجمه ماشینی)

برآورد مجموعه سطح (LSE) ، مشکل شناسایی مجموعه نقاط ورودی که یک عملکرد در آن مقدار بالا (یا پایین) یک آستانه معین را می گیرد ، در برنامه های عملی مهم است.هنگامی که این عملکرد گران قیمت و سیاه و سفید است ، الگوریتم textit {straddle} ، که یک اکتشافی نماینده برای LSE بر اساس مدلهای فرآیند گاوسی است و پسوندهای آن با ضمانت های نظری تهیه شده است.با این حال ، بسیاری از روش های موجود شامل یک پارامتر اطمینان $ β^{1/2} _t $ است که باید توسط کاربر مشخص شود ، و روشهایی که $ β^{1/2} _t $ را انتخاب می کنند ضمانت های نظری ارائه نمی دهند.در مقابل ، مقادیر تضمین شده تئوری $ β^{1/2} _t $ بسته به تعداد تکرارها و امتیازات نامزد ، نیاز به افزایش دارد و برای عملکرد عملی محافظه کارانه هستند و مناسب نیستند.در این مطالعه ، ما یک روش جدید ، الگوریتم textit {تصادفی} را پیشنهاد می کنیم ، که در آن $ β_t $ در الگوریتم straddle با یک نمونه تصادفی از توزیع مجذور کای با دو درجه آزادی جایگزین می شود.پارامتر اعتماد به نفس در روش پیشنهادی مزایای عدم نیاز به تعدیل را دارد ، بسته به تعداد تکرارها و امتیازات نامزد و محافظه کار بودن.علاوه بر این ، ما نشان می دهیم که روش پیشنهادی دارای ضمانت های نظری است که به پیچیدگی نمونه و تعداد تکرارها بستگی دارد.سرانجام ، ما سودمندی روش پیشنهادی را از طریق آزمایش های عددی با استفاده از داده های مصنوعی و واقعی تأیید می کنیم.

📚 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.