論文の概要: Innovative Platform for Designing Hybrid Collaborative & Context-Aware
Data Mining Scenarios
- arxiv url: http://arxiv.org/abs/2007.13705v1
- Date: Mon, 27 Jul 2020 17:36:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 08:11:25.640577
- Title: Innovative Platform for Designing Hybrid Collaborative & Context-Aware
Data Mining Scenarios
- Title（参考訳）: ハイブリッド協調・コンテキスト対応データマイニングシナリオ設計のための革新的プラットフォーム
- Authors: Anca Avram, Oliviu Matei, Camelia Pintea, Carmen Anton
- Abstract要約: 本研究では,Scenarios Platform-Collaborative & Context-Aware Data Mining (SP-CCADM) と呼ばれる予測モデルを設計するためのハイブリッドで効率的なツールを提案する。
CADMとCDMの両方のアプローチがフレキシブルな方法で新しいプラットフォームに含まれている。SP-CCADMはデータマイニングに関連する複数のシナリオの設定とテストを可能にする。
紹介されたプラットフォームは、実生活のシナリオでうまくテストされ、検証され、スタンドアローンのテクニックよりも優れた結果が得られました。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The process of knowledge discovery involves nowadays a major number of
techniques. Context-Aware Data Mining (CADM) and Collaborative Data Mining
(CDM) are some of the recent ones. the current research proposes a new hybrid
and efficient tool to design prediction models called Scenarios
Platform-Collaborative & Context-Aware Data Mining (SP-CCADM). Both CADM and
CDM approaches are included in the new platform in a flexible manner; SP-CCADM
allows the setting and testing of multiple configurable scenarios related to
data mining at once. The introduced platform was successfully tested and
validated on real life scenarios, providing better results than each standalone
technique-CADM and CDM. Nevertheless, SP-CCADM was validated with various
machine learning algorithms-k-Nearest Neighbour (k-NN), Deep Learning (DL),
Gradient Boosted Trees (GBT) and Decision Trees (DT). SP-CCADM makes a step
forward when confronting complex data, properly approaching data contexts and
collaboration between data. Numerical experiments and statistics illustrate in
detail the potential of the proposed platform.
- Abstract（参考訳）: 知識発見のプロセスは、今日では多数の技術を含んでいる。
CADM(Context-Aware Data Mining)とCDM(Collaborative Data Mining)は、最近のもののひとつである。
最近の研究は、プラットフォームコラボレーションとコンテキスト認識データマイニング(sp-ccadm)と呼ばれる予測モデルを設計するための、新しいハイブリッドで効率的なツールを提案する。
CADMとCDMの両方のアプローチがフレキシブルな方法で新しいプラットフォームに含まれている。SP-CCADMはデータマイニングに関連する複数の設定可能なシナリオの設定とテストを可能にする。
紹介されたプラットフォームは実生活シナリオで試験と検証が成功し、スタンドアロンのCADMやCDMよりも優れた結果が得られた。
それでもSP-CCADMは、k-Nearest Neighbour (k-NN)、Deep Learning (DL)、Gradient Boosted Trees (GBT)、Decision Trees (DT)といった機械学習アルゴリズムで検証された。
SP-CCADMは複雑なデータに直面する際に一歩前進し、データコンテキストに適切にアプローチし、データ間の協調を行う。
数値実験と統計は、提案されたプラットフォームの可能性を詳細に示している。
関連論文リスト
- Few-shot Multi-Task Learning of Linear Invariant Features with Meta Subspace Pursuit [9.421309916099428]
メタサブスペース探索法(Meta-SPと略す)と呼ばれる新しいアルゴリズムを提案する。
そこで我々はMeta-SP(Meta Subspace Pursuit)と呼ばれる新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-09-04T13:44:22Z) - What are the Essential Factors in Crafting Effective Long Context Multi-Hop Instruction Datasets? Insights and Best Practices [91.71951459594074]
拡張コンテキストウィンドウを持つLong Language Model (LLM) は、情報抽出、質問応答、複雑な計画シナリオなどのタスクを大幅に改善した。
既存のメソッドは通常、Self-Instructフレームワークを使用して、長いコンテキスト能力を改善するために命令チューニングデータを生成する。
本稿では,品質検証エージェント,シングルホップ質問生成エージェント,複数質問サンプリング戦略,マルチホップ質問マーガーエージェントを組み込んだマルチエージェント対話型マルチホップ生成フレームワークを提案する。
以上の結果から,我々の合成高品位長文指導データにより,多量の人体で訓練したモデルよりも,モデル性能が著しく向上することが示唆された。
論文 参考訳（メタデータ） (2024-09-03T13:30:00Z) - Towards Lightweight Data Integration using Multi-workflow Provenance and
Data Observability [0.2517763905487249]
統合データ分析は、特に現在のAI時代において、科学的発見において重要な役割を果たす。
軽量ランタイム向けマルチワークフロー統合データ分析手法MIDAを提案する。
Summitスーパーコンピュータの1,680個のCPUコア上で,最大10000のタスクを実行するほぼゼロのオーバーヘッドを示す。
論文 参考訳（メタデータ） (2023-08-17T14:20:29Z) - Enhancing Human-like Multi-Modal Reasoning: A New Challenging Dataset
and Comprehensive Framework [51.44863255495668]
マルチモーダル推論は、人間のような知性を示す人工知能システムの追求において重要な要素である。
提案するマルチモーダル推論(COCO-MMR)データセットは,オープンエンド質問の集合を包含する新しいデータセットである。
画像とテキストエンコーダを強化するために,マルチホップ・クロスモーダル・アテンションや文レベルのコントラスト学習などの革新的な手法を提案する。
論文 参考訳（メタデータ） (2023-07-24T08:58:25Z) - Diffusion Model is an Effective Planner and Data Synthesizer for
Multi-Task Reinforcement Learning [101.66860222415512]
Multi-Task Diffusion Model (textscMTDiff) は、トランスフォーマーのバックボーンを組み込んだ拡散に基づく手法であり、生成計画とデータ合成のための素早い学習を行う。
生成計画において、textscMTDiffはMeta-World上の50のタスクとMaze2D上の8のマップで最先端のアルゴリズムより優れています。
論文 参考訳（メタデータ） (2023-05-29T05:20:38Z) - TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series [61.436361263605114]
時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。
本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
論文 参考訳（メタデータ） (2023-05-19T10:11:21Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳（メタデータ） (2021-12-22T14:45:37Z) - Multimodal Entity Tagging with Multimodal Knowledge Base [45.84732232595781]
マルチモーダル知識ベース(MKB)を用いたMET(Multimodal entity tagging)というタスクを提案する。
METでは、テキストイメージペアが与えられた場合、MKB内の情報を使用して、テキストイメージペア内の関連エンティティを自動的に識別する。
我々は広範な実験を行い、実験結果について分析する。
論文 参考訳（メタデータ） (2021-12-21T15:04:57Z) - Multilinear Dirichlet Processes [3.2238887070637805]
本稿では,DDPを構築するための新しい手法であるMultiLinear Dirichlet Processes (MLDP)を提案する。
我々は,様々なアプリケーションを対象とした実単語データセット上でMLDPを評価し,最先端の性能を実現した。
論文 参考訳（メタデータ） (2021-06-16T15:18:14Z) - Data Augmentation for Abstractive Query-Focused Multi-Document
Summarization [129.96147867496205]
2つのQMDSトレーニングデータセットを提示し,2つのデータ拡張手法を用いて構築する。
これらの2つのデータセットは相補的な性質を持ち、すなわちQMDSCNNは実際のサマリを持つが、クエリはシミュレートされる。
組み合わせたデータセット上にエンドツーエンドのニューラルネットワークモデルを構築し、DUCデータセットに最新の転送結果をもたらします。
論文 参考訳（メタデータ） (2021-03-02T16:57:01Z) - SoK: Training Machine Learning Models over Multiple Sources with Privacy
Preservation [1.567576360103422]
プライバシ保護を伴う複数のデータコントローラからの高品質なトレーニングデータは、高品質な機械学習モデルをトレーニングする上で重要な課題である。
学術研究者と産業ベンダーの双方が,(1)セキュア多人数学習(MPL)と(2)フェデレートラーニング(FL)の2つのソリューションのメインストリームフォルダーを提案する動機付けが強くなっている。
これら2つのソリューションには、プライバシ保護、通信方法、通信オーバーヘッド、データのフォーマット、トレーニング済みモデルの正確性、アプリケーションシナリオから評価する際のメリットと制限があります。
論文 参考訳（メタデータ） (2020-12-06T22:24:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。