کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4946537 | 1439292 | 2016 | 21 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Efficient updating of probabilistic approximations with incremental objects
ترجمه فارسی عنوان
به روز رسانی کارآمد از تقریب احتمالاتی با اشیاء افزایشی
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
مجموعه های خشن احتمالی، داده های پویا، یادگیری افزایشی، تقریب مفهوم،
ترجمه چکیده
مدل مجموعه خبری احتمالی که توسط ترکیب تئوری احتمال به نظریه مجموعه ای خشن مجموعه داده می شود، مدل داده های نامشخص را با تحمل خطاهای تصمیم گیری در شرایط احتمال شرطی و پارامترهای احتمالاتی مدل می کند. حجم داده ها به صورت پویا متغیر هستند. زمان سنجی برای به روز رسانی اطلاعات به طور مستمر از دیدگاه محاسبات بسیار وقت گیر است. تکنیک یادگیری افزایشی مورد نظر برای بهبود کارایی محاسباتی است که یک قابلیت افزایشی برای نگهداری دانش سازگار برای داده های متنوع است. در این مقاله، ما بر روی به روز رسانی کارآیی تقریبی احتمالات با اشیاء افزایشی در یک جدول اطلاعات پویا تمرکز می کنیم. خصوصیات پویا پارتیشن شرطی و طبقه بندی تصمیم گیری در جهان وقتی که درج یا حذف اشیاء رخ می دهد، تحلیل می شود. الگوهای به روز رسانی مختلف احتمال احتمال شرطی برای انواع مختلف ترکیبی کلاس های شرطی و تصمیم گیری ارائه شده است. در همین حال، الگوریتم های افزایشی برای به روز رسانی تقریبی احتمالات پیشنهاد شده اند که برای اجتناب از تلاش های دوباره محاسبه مفید است که بتواند اشیای افزایشی را به مکان های تصمیم گیری مناسب طبقه بندی کند. آزمایشات بر روی مجموعه داده های معیاری نشان می دهد که الگوریتم های پیشنهادی از الگوریتم استاتیک در حضور تنوع دینامیکی جهان برتر هستند.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
Probabilistic rough set model, which is established by incorporating the theory of probability into rough set theory, aims to model imprecise data with the tolerance of decision errors in terms of conditional probability and probabilistic parameters. The volume of data is frequently varied dynamically. It is very time consuming to analyze the updates of data incessantly from computation perspective. Incremental learning technique is desired to improve computational efficiency, which poses an incremental capability for adaptive knowledge maintenance to accommodate varied data. In this paper, we focus on efficient updating of probabilistic approximations with incremental objects in a dynamic information table. The dynamic characteristics of conditional partition and decision classification on the universe are analyzed when the insertion or deletion of objects occurs. Different updating patterns of conditional probability are presented for different combinatorial varieties of the conditional and decision classes. Meanwhile, incremental algorithms for updating probabilistic approximations are proposed, which are proficient to efficiently classify the incremental objects into decision regions by avoiding re-computation efforts. Experiments on benchmark data sets indicate that the proposed algorithms outperform the static algorithm in the presence of dynamic variation of the universe.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Knowledge-Based Systems - Volume 109, 1 October 2016, Pages 71-83
Journal: Knowledge-Based Systems - Volume 109, 1 October 2016, Pages 71-83
نویسندگان
Chuan Luo, Tianrui Li, Hongmei Chen, Hamido Fujita, Zhang Yi,