ترجمه فارسی مقاله یک روش رگرسیون نمادین کارآمد و قابل تعمیم برای تجزیه و تحلیل سری های زمانی

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 An Efficient and Generalizable Symbolic Regression Method for Time Series Analysis
عنوان مقاله به فارسی یک روش رگرسیون نمادین کارآمد و قابل تعمیم برای تجزیه و تحلیل سری های زمانی
نویسندگان Yi Xie, Tianyu Qiu, Yun Xiong, Xiuqi Huang, Xiaofeng Gao, Chao Chen
فرمت مقاله انگلیسی PDF
تعداد صفحات 12
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Machine Learning,یادگیری ماشین , یادگیری ماشین ,
توضیحات Submitted 5 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 5 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
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

Time series analysis and prediction methods currently excel in quantitative analysis, offering accurate future predictions and diverse statistical indicators, but generally falling short in elucidating the underlying evolution patterns of time series. To gain a more comprehensive understanding and provide insightful explanations, we utilize symbolic regression techniques to derive explicit expressions for the non-linear dynamics in the evolution of time series variables. However, these techniques face challenges in computational efficiency and generalizability across diverse real-world time series data. To overcome these challenges, we propose \textbf{N}eural-\textbf{E}nhanced \textbf{Mo}nte-Carlo \textbf{T}ree \textbf{S}earch (NEMoTS) for time series. NEMoTS leverages the exploration-exploitation balance of Monte-Carlo Tree Search (MCTS), significantly reducing the search space in symbolic regression and improving expression quality. Furthermore, by integrating neural networks with MCTS, NEMoTS not only capitalizes on their superior fitting capabilities to concentrate on more pertinent operations post-search space reduction, but also replaces the complex and time-consuming simulation process, thereby substantially improving computational efficiency and generalizability in time series analysis. NEMoTS offers an efficient and comprehensive approach to time series analysis. Experiments with three real-world datasets demonstrate NEMoTS's significant superiority in performance, efficiency, reliability, and interpretability, making it well-suited for large-scale real-world time series data.

چکیده به فارسی (ترجمه ماشینی)

تجزیه و تحلیل سری زمانی و روش های پیش بینی در حال حاضر در تجزیه و تحلیل کمی برتری دارد و پیش بینی های دقیق آینده و شاخص های آماری متنوع را ارائه می دهد ، اما به طور کلی در روشن کردن الگوهای تکامل اساسی سری های زمانی کوتاه می شود.برای به دست آوردن درک جامع تر و ارائه توضیحات روشنگری ، ما از تکنیک های رگرسیون نمادین برای به دست آوردن عبارات صریح برای پویایی غیرخطی در تکامل متغیرهای سری زمانی استفاده می کنیم.با این حال ، این تکنیک ها در کارآیی محاسباتی و تعمیم پذیری در داده های مختلف سری زمانی در دنیای واقعی با چالش هایی روبرو هستند.برای غلبه بر این چالش ها ، ما \ textbf {n} eural- \ textbf {e} nhanced \ textbf {mo} nte-carlo \ textbf {t} ree \ textbf {s} arch (nemots) را برای سری زمانی پیشنهاد می کنیم.NEMOTS از تعادل اکتشاف-بهره برداری از جستجوی درخت مونت کارلو (MCTS) استفاده می کند ، و فضای جستجو را در رگرسیون نمادین به طور قابل توجهی کاهش می دهد و کیفیت بیان را بهبود می بخشد.علاوه بر این ، با ادغام شبکه های عصبی با MCT ها ، NEMOTS نه تنها از قابلیت های مناسب خود برای تمرکز بر روی عملیات مربوطه بیشتر در کاهش فضای پس از جستجو استفاده می کند ، بلکه جایگزین فرآیند شبیه سازی پیچیده و وقت گیر است ، در نتیجه باعث بهبود قابل ملاحظه ای راندمان محاسباتی و قابلیت تعمیم در آن می شود.تجزیه و تحلیل سری زمانی.Nemots یک رویکرد کارآمد و جامع برای تجزیه و تحلیل سری زمانی ارائه می دهد.آزمایشات با سه مجموعه داده در دنیای واقعی ، برتری قابل توجهی در عملکرد ، کارآیی ، قابلیت اطمینان و تفسیر NEMOTS نشان می دهد و آن را برای داده های سری زمانی در مقیاس بزرگ در مقیاس بزرگ مناسب می کند.

📚 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.