پژوهش
روش AAC انتخاب نقاط راهنمای A* را با بودجهٔ حافظه بهینه می‌کند
پژوهشگران روشی برای انتخاب landmarkها در الگوریتم ALT معرفی کرده‌اند که با حفظ خاصیت admissibility، در ۱۹ ترکیبِ گراف و بودجهٔ حافظه، گسترش گره‌ها را نسبت به روش farthest-point کاهش داده است.
پژوهشگران در مقاله‌ای با عنوان AAC، روشی برای تطبیق انتخاب landmarkها با نیاز پرس‌وجوها و بودجهٔ ثابت حافظه معرفی کرده‌اند. این روش دو تقریب پیوسته برای انتخاب landmark در ALT ــ الگوریتمی مبتنی بر A* و نابرابری مثلثاتی ــ ارائه می‌دهد. با داشتن فاصله‌های دقیق landmarkها، هر مقدار پارامتر در این دو روش همچنان کرانی پایین برای کوتاه‌ترین فاصله تعریف می‌کند؛ بنابراین admissibility به موفقیت فرایند آموزش وابسته نیست.
یکی از تقریب‌ها میان فاصله‌های landmarkها ترکیب محدب می‌سازد. تقریب دیگر، مجموعه‌ای از heuristicها را با هم ترکیب می‌کند و امکان استفاده از روش انتخاب پیوستهٔ AAC-CG را می‌دهد. نویسندگان می‌گویند در چارچوب این روش، بهینهٔ مسئلهٔ رهاشده و بهینهٔ گسسته برابرند و برای ارزش موردانتظار heuristic نیز تضمینی ارائه می‌کنند که خطای oracle، تعداد گام‌ها و محدودیت نمونه را در نظر می‌گیرد.
در آزمایش‌ها، AAC-CG در همهٔ ۱۹ ترکیبِ گراف و بودجهٔ حافظه، تعداد گسترش‌های A* را در مقایسه با farthest-point ALT بین ۱٫۹ تا ۲۲٫۷ درصد کاهش داد. آزمون‌ها روی شش شبکهٔ جاده‌ای و دو گراف مصنوعی انجام شدند؛ هر ترکیب یک مجموعهٔ آزمون شامل ۵۰۰ پرس‌وجو داشت. همچنین، مقدار میانگین heuristic در پرس‌وجوهای آزمون برای AAC-CG به ۹۹٫۶ درصد مقدار روش greedy متعارف رسید. خود روش greedy نیز در هر ۱۹ ترکیب گراف و بودجه، گره‌های کمتری از farthest-point ALT گسترش داد.
مقاله در arXiv منتشر شده و طبق توضیحات آن، در نشریهٔ Transactions on Machine Learning Research پذیرفته شده است.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده