論文の概要: Big Data Analytics Applying the Fusion Approach of Multicriteria
Decision Making with Deep Learning Algorithms
- arxiv url: http://arxiv.org/abs/2102.02637v1
- Date: Tue, 2 Feb 2021 05:56:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-05 16:47:17.477976
- Title: Big Data Analytics Applying the Fusion Approach of Multicriteria
Decision Making with Deep Learning Algorithms
- Title（参考訳）: 深層学習アルゴリズムを用いた多基準決定の融合手法を用いたビッグデータ分析
- Authors: Swarajya Lakshmi V Papineni, Snigdha Yarlagadda, Harita Akkineni, A.
Mallikarjuna Reddy
- Abstract要約: 複数基準に基づく意思決定は、ビッグデータ分析における代替効果に関連する様々な問題に対して解決すべき重要な問題の1つである。
意思決定のようなアルゴリズムや、マルチ基準に基づくディープラーニングメカニズムを含む、最新の機械学習技術に基づくソリューションを見つける傾向があります。
本質的には、ビジネス、農業、情報技術、コンピュータ科学を含むいくつかの分野は、深層学習と多基準に基づく意思決定問題を使用する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Data is evolving with the rapid progress of population and communication for
various types of devices such as networks, cloud computing, Internet of Things
(IoT), actuators, and sensors. The increment of data and communication content
goes with the equivalence of velocity, speed, size, and value to provide the
useful and meaningful knowledge that helps to solve the future challenging
tasks and latest issues. Besides, multicriteria based decision making is one of
the key issues to solve for various issues related to the alternative effects
in big data analysis. It tends to find a solution based on the latest machine
learning techniques that include algorithms like decision making and deep
learning mechanism based on multicriteria in providing insights to big data. On
the other hand, the derivations are made for it to go with the approximations
to increase the duality of runtime and improve the entire system's potentiality
and efficacy. In essence, several fields, including business, agriculture,
information technology, and computer science, use deep learning and
multicriteria-based decision-making problems. This paper aims to provide
various applications that involve the concepts of deep learning techniques and
exploiting the multicriteria approaches for issues that are facing in big data
analytics by proposing new studies with the fusion approaches of data-driven
techniques.
- Abstract（参考訳）: データは、ネットワーク、クラウドコンピューティング、IoT(Internet of Things)、アクチュエータ、センサーなど、さまざまなタイプのデバイスに対する、人口と通信の急速な進歩によって進化している。
データとコミュニケーションのコンテンツの増加は、ベロシティ、スピード、サイズ、価値の同値と一致し、将来の困難なタスクや最新の問題を解決するのに役立つ有用で有意義な知識を提供する。
さらに、マルチクリトリアベースの意思決定は、ビッグデータ分析における代替効果に関連するさまざまな問題を解決する上で重要な課題の1つである。
ビッグデータに対する洞察を提供するために、意思決定やマルチ基準に基づくディープラーニングメカニズムといったアルゴリズムを含む、最新の機械学習技術に基づくソリューションを見つける傾向があります。
一方、実行時の双対性を高め、システム全体の潜在性と有効性を改善するために近似に従った導出がなされている。
本質的には、ビジネス、農業、情報技術、コンピュータ科学を含むいくつかの分野は、深層学習と多基準に基づく意思決定問題を使用する。
本稿では,ビッグデータ分析において直面する問題に対して,深層学習技術の概念を取り入れた多様なアプリケーションを提供し,データ駆動手法の融合手法による新たな研究を提案する。
関連論文リスト
- Collaborative business intelligence virtual assistant [1.9953434933575993]
本研究では、ユーザとCBI仮想アシスタントのインタラクションを通じて、分散仮想チームにおけるデータマイニングの応用に焦点を当てる。
CBIのための仮想アシスタントは、より広い範囲のユーザのためのデータ探索アクセシビリティを強化し、データ分析に必要な時間と労力を合理化するためのものである。
論文 参考訳（メタデータ） (2023-12-20T05:34:12Z) - 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) - Feature Selection: A perspective on inter-attribute cooperation [0.0]
高次元データセットは、データマイニングと機械学習におけるタスク学習の課題を描いている。
特徴選択は次元削減に有効な手法である。
本稿では,機能間協調によるフィルタ特徴選択手法に関する最新の研究について述べる。
論文 参考訳（メタデータ） (2023-06-28T21:00:52Z) - Machine Unlearning: A Survey [56.79152190680552]
プライバシ、ユーザビリティ、および/または忘れられる権利のために、特定のサンプルに関する情報をマシンアンラーニングと呼ばれるモデルから削除する必要がある特別なニーズが生まれている。
この新興技術は、その革新と実用性により、学者と産業の両方から大きな関心を集めている。
この複雑なトピックを分析したり、さまざまなシナリオで既存の未学習ソリューションの実現可能性を比較したりした研究はない。
この調査は、未学習のテクニックに関する卓越した問題と、新しい研究機会のための実現可能な方向性を強調して締めくくった。
論文 参考訳（メタデータ） (2023-06-06T10:18:36Z) - Human-Centric Multimodal Machine Learning: Recent Advances and Testbed
on AI-based Recruitment [66.91538273487379]
人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。
i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
論文 参考訳（メタデータ） (2023-02-13T16:44:44Z) - Machine Learning Empowered Intelligent Data Center Networking: A Survey [35.55535885962517]
本稿では,機械学習のデータセンターネットワークへの応用を包括的に検討する。
フロー予測、フロー分類、ロードバランシング、リソース管理、ルーティング最適化、渋滞制御をカバーしている。
我々はREBEL-3Sと呼ばれる品質評価基準を設計し、これらの研究の長所と短所を公平に測定する。
論文 参考訳（メタデータ） (2022-02-28T05:27:22Z) - Quasi-Global Momentum: Accelerating Decentralized Deep Learning on
Heterogeneous Data [77.88594632644347]
ディープラーニングモデルの分散トレーニングは、ネットワーク上でデータプライバシとデバイス上での学習を可能にする重要な要素である。
現実的な学習シナリオでは、異なるクライアントのローカルデータセットに異質性が存在することが最適化の課題となる。
本稿では,この分散学習の難しさを軽減するために,運動量に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2021-02-09T11:27:14Z) - Federated Edge Learning : Design Issues and Challenges [1.916348196696894]
Federated Learning(FL)は分散機械学習技術であり、各デバイスはそのローカルトレーニングデータに基づいて勾配を独立に計算することで学習モデルに寄与する。
FLをネットワークエッジに実装することは、システムとデータの不均一性とリソースの制約のために難しい。
本稿では、今後の研究方向性の指針として、データ認識スケジューリングのための一般的なフレームワークを提案する。
論文 参考訳（メタデータ） (2020-08-31T19:56:36Z) - A Review of Meta-level Learning in the Context of Multi-component,
Multi-level Evolving Prediction Systems [6.810856082577402]
データから有用なパターンを抽出する自動的あるいは半自動的な方法の調査の必要性が高まっている。
与えられた問題に対する学習方法の最も適切なマッピングを見つけるには、深い専門家の知識と広範な計算資源が必要である。
データセットに最適な学習アルゴリズムをアドバイスできるインテリジェントなレコメンデーションエンジンが必要だ。
論文 参考訳（メタデータ） (2020-07-17T14:14:37Z) - Offline Reinforcement Learning: Tutorial, Review, and Perspectives on
Open Problems [108.81683598693539]
オフラインの強化学習アルゴリズムは、巨大なデータセットを強力な意思決定エンジンにできるという、大きな約束を持っています。
我々は,これらの課題,特に近代的な深層強化学習手法の文脈において,読者にこれらの課題を理解することを目的としている。
論文 参考訳（メタデータ） (2020-05-04T17:00:15Z) - Distributed Learning in the Non-Convex World: From Batch to Streaming
Data, and Beyond [73.03743482037378]
分散学習は、多くの人々が想定する、大規模に接続された世界の重要な方向となっている。
本稿では、スケーラブルな分散処理とリアルタイムデータ計算の4つの重要な要素について論じる。
実践的な問題や今後の研究についても論じる。
論文 参考訳（メタデータ） (2020-01-14T14:11:32Z)
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。