هوش مصنوعی
چارچوب EMG-Hybrid برای بهبود انتخاب ویژگی در داده‌های پُربعد معرفی شد
پیش‌چاپی در arXiv طرحی سه‌سطحی را توصیف می‌کند که با پایش آنتروپی جمعیت و سرعت بهبود برازش، میان جست‌وجوی گسترده و بهینه‌سازی محلی جابه‌جا می‌شود.
پژوهشگران در پیش‌چاپی با عنوان EMG-Hybrid چارچوبی برای انتخاب ویژگی در مجموعه‌داده‌های بسیار پُربعد و نویزی معرفی کرده‌اند؛ مسئله‌ای که به‌دلیل رشد نمایی فضای جست‌وجو دشوار است و روش‌های فراابتکاری دودوییِ متداول ممکن است در بهینه‌های محلی زودهنگام متوقف شوند.
این معماری سه‌سطحی بر تفکیک فرایندها، زمان‌بندی مبتنی بر بازخورد و پالایش مستقل وضعیت تکیه دارد. در سطح نخست، «کنترل‌گر دوموتوره» آنتروپی Shannon جمعیت و سرعت تجربی بهبود برازش را پایش می‌کند و بر اساس آن، اجرا را میان اکتشاف سراسری و تشدید جست‌وجوی محلی هدایت می‌کند. این کنترل، سطح فعال بهینه‌سازی در لایهٔ دوم را تنظیم می‌کند.
متن در دسترس از چکیده در میانهٔ شرح سطح دوم قطع می‌شود؛ بنابراین جزئیات کامل سازوکارها و نتایج ارزیابی چارچوب در این منبع مشخص نیست.
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