ترجمه فارسی مقاله انتخاب زیر مجموعه بهینه در مقیاس بزرگ بهینه

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Sample-Optimal Large-Scale Optimal Subset Selection
عنوان مقاله به فارسی انتخاب زیر مجموعه بهینه در مقیاس بزرگ بهینه
نویسندگان Zaile Li, Weiwei Fan, L. Jeff Hong
فرمت مقاله انگلیسی PDF
تعداد صفحات 51
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Machine Learning,Methodology,یادگیری ماشین , یادگیری ماشین , روش شناسی ,
توضیحات Submitted 18 August, 2024; originally announced August 2024.
توضیحات به فارسی ارائه شده در 18 اوت 2024 ؛در ابتدا اوت 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

Ranking and selection (R&S) conventionally aims to select the unique best alternative with the largest mean performance from a finite set of alternatives. However, for better supporting decision making, it may be more informative to deliver a small menu of alternatives whose mean performances are among the top $m$. Such problem, called optimal subset selection (OSS), is generally more challenging to address than the conventional R&S. This challenge becomes even more significant when the number of alternatives is considerably large. Thus, the focus of this paper is on addressing the large-scale OSS problem. To achieve this goal, we design a top-$m$ greedy selection mechanism that keeps sampling the current top $m$ alternatives with top $m$ running sample means and propose the explore-first top-$m$ greedy (EFG-$m$) procedure. Through an extended boundary-crossing framework, we prove that the EFG-$m$ procedure is both sample optimal and consistent in terms of the probability of good selection, confirming its effectiveness in solving large-scale OSS problem. Surprisingly, we also demonstrate that the EFG-$m$ procedure enables to achieve an indifference-based ranking within the selected subset of alternatives at no extra cost. This is highly beneficial as it delivers deeper insights to decision-makers, enabling more informed decision-makings. Lastly, numerical experiments validate our results and demonstrate the efficiency of our procedures.

چکیده به فارسی (ترجمه ماشینی)

رتبه بندی و انتخاب (R&S) به طور متعارف با هدف انتخاب بهترین گزینه منحصر به فرد با بزرگترین عملکرد متوسط ​​از مجموعه ای از گزینه های مختلف انتخاب می شود.با این حال ، برای حمایت بهتر از تصمیم گیری ، ممکن است ارائه یک منوی کوچک از گزینه های جایگزین که میانگین عملکرد آنها جزء برتر $ M $ است ، آموزنده تر باشد.چنین مشکلی ، به نام انتخاب زیر مجموعه بهینه (OSS) ، به طور کلی برای پرداختن به R&S معمولی چالش برانگیز است.این چالش حتی بیشتر می شود که تعداد گزینه های دیگر به طور قابل توجهی زیاد باشد.بنابراین ، تمرکز این مقاله بر پرداختن به مشکل OSS در مقیاس بزرگ است.برای دستیابی به این هدف ، ما یک مکانیزم انتخاب حریص $ $ $ $ را طراحی می کنیم که نمونه برداری از گزینه های برتر $ M $ $ با نمونه های برتر $ M $ را حفظ می کند و پیشنهاد می کند تا اولین اکتشاف-$ M $ حریص (EFG- $متر) روش.از طریق یک چارچوب گسترده عبور مرزی ، ما ثابت می کنیم که روش EFG- $ M $ از نظر احتمال انتخاب خوب بهینه و سازگار است و تأیید اثربخشی آن در حل مشکل در مقیاس بزرگ است.با کمال تعجب ، ما همچنین نشان می دهیم که روش EFG-$ M $ امکان دستیابی به یک رتبه بندی مبتنی بر بی تفاوتی را در زیر مجموعه انتخابی گزینه های دیگر بدون هیچ هزینه اضافی فراهم می کند.این امر بسیار سودمند است زیرا بینش های عمیق تری را برای تصمیم گیرندگان ارائه می دهد و تصمیم گیری های آگاهانه تری را امکان پذیر می کند.سرانجام ، آزمایش های عددی نتایج ما را تأیید می کند و کارآیی رویه های ما را نشان 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.