ترجمه فارسی مقاله یک تئوری عملی تعمیم در یادگیری انتخابی

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 A Practical Theory of Generalization in Selectivity Learning
عنوان مقاله به فارسی یک تئوری عملی تعمیم در یادگیری انتخابی
نویسندگان Peizhi Wu, Haoshu Xu, Ryan Marcus, Zachary G. Ives
فرمت مقاله انگلیسی PDF
تعداد صفحات 14
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Databases,Machine Learning,یادگیری ماشین , بانک اطلاعاتی , یادگیری ماشین ,
توضیحات Submitted 11 September, 2024; originally announced September 2024. , Comments: 14 pages
توضیحات به فارسی ارسال شده در 11 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 14 صفحه
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

Query-driven machine learning models have emerged as a promising estimation technique for query selectivities. Yet, surprisingly little is known about the efficacy of these techniques from a theoretical perspective, as there exist substantial gaps between practical solutions and state-of-the-art (SOTA) theory based on the Probably Approximately Correct (PAC) learning framework. In this paper, we aim to bridge the gaps between theory and practice. First, we demonstrate that selectivity predictors induced by signed measures are learnable, which relaxes the reliance on probability measures in SOTA theory. More importantly, beyond the PAC learning framework (which only allows us to characterize how the model behaves when both training and test workloads are drawn from the same distribution), we establish, under mild assumptions, that selectivity predictors from this class exhibit favorable out-of-distribution (OOD) generalization error bounds. These theoretical advances provide us with a better understanding of both the in-distribution and OOD generalization capabilities of query-driven selectivity learning, and facilitate the design of two general strategies to improve OOD generalization for existing query-driven selectivity models. We empirically verify that our techniques help query-driven selectivity models generalize significantly better to OOD queries both in terms of prediction accuracy and query latency performance, while maintaining their superior in-distribution generalization performance.

چکیده به فارسی (ترجمه ماشینی)

مدل های یادگیری ماشین محور پرس و جو به عنوان یک روش برآورد امیدوار کننده برای انتخاب پرس و جو ظاهر شده اند.با این حال ، با کمال تعجب در مورد اثربخشی این تکنیک ها از دیدگاه نظری ، اطلاعات کمی وجود دارد ، زیرا شکاف های قابل توجهی بین راه حل های عملی و نظریه پیشرفته (SOTA) بر اساس چارچوب یادگیری تقریباً صحیح (PAC) وجود دارد.در این مقاله ، هدف ما این است که شکاف های بین تئوری و عمل را برطرف کنیم.اول ، ما نشان می دهیم که پیش بینی کننده های انتخابی ناشی از اقدامات امضا شده قابل یادگیری هستند ، که اعتماد به اقدامات احتمال در تئوری SOTA را آرام می کند.مهمتر از همه ، فراتر از چارچوب یادگیری PAC (که فقط به ما این امکان را می دهد تا نحوه رفتار مدل را هنگام آموزش و بارهای آزمایشی از همان توزیع توصیف کنیم) ، ما با فرضیات خفیف تعیین می کنیم که پیش بینی کننده های انتخابی از این کلاس از نظر مطلوب هستندمحدوده خطای عمومی سازی از توزیع (OOD).این پیشرفت های نظری درک بهتری از قابلیت های عمومی توزیع و عمومی بودن یادگیری انتخابی محور پرس و جو و تسهیل طراحی دو استراتژی کلی برای بهبود تعمیم OOD برای مدلهای انتخابی موجود در پرس و جو موجود فراهم می کند.ما به طور تجربی تأیید می کنیم که تکنیک های ما به مدلهای انتخابی پرس و جو کمک می کنند تا از نظر دقت پیش بینی و عملکرد تأخیر پرس و جو ، ضمن حفظ عملکرد کلی در توزیع در توزیع ، به طور قابل توجهی بهتر از نمایش داده های OOD را تعمیم دهند.

📚 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.