論文の概要: Fitness Dependent Optimizer for IoT Healthcare using Adapted Parameters: A Case Study Implementation

• arxiv url: http://arxiv.org/abs/2207.04846v1
• Date: Wed, 18 May 2022 16:18:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-12 17:55:51.370657
• Title: Fitness Dependent Optimizer for IoT Healthcare using Adapted Parameters: A Case Study Implementation
• Title（参考訳）: 適応パラメータを用いたiotヘルスケアのためのフィットネス依存オプティマイザ:ケーススタディ実装
• Authors: Aso M. Aladdin, Jaza M. Abdullah, Kazhan Othman Mohammed Salih, Tarik A. Rashid, Rafid Sagban, Abeer Alsaddon, Nebojsa Bacanin, Amit Chhabra, S.Vimal, Indradip Banerjee
• Abstract要約: 本章では、Fitness Dependentwarm(いわゆるFDO)のケーススタディについて論じ、そのパラメータをIoT(Internet of Things)ヘルスケアに適用する。 他のアルゴリズムは、FDOを元の作業でGA(Genematic Algorithm)とPSO(Particle Swarm Optimization)として評価し、比較する。 この章の目標は、FDOに基づいたIoTヘルスケアフレームワークを適用して、効果的なIoTヘルスケアアプリケーションを生成することだ。
• 参考スコア（独自算出の注目度）: 0.629786844297945
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This discusses a case study on Fitness Dependent Optimizer or so-called FDO and adapting its parameters to the Internet of Things (IoT) healthcare. The reproductive way is sparked by the bee swarm and the collaborative decision-making of FDO. As opposed to the honey bee or artificial bee colony algorithms, this algorithm has no connection to them. In FDO, the search agent's position is updated using speed or velocity, but it's done differently. It creates weights based on the fitness function value of the problem, which assists lead the agents through the exploration and exploitation processes. Other algorithms are evaluated and compared to FDO as Genetic Algorithm (GA) and Particle Swarm Optimization (PSO) in the original work. The key current algorithms:The Salp-Swarm Algorithms (SSA), Dragonfly Algorithm (DA), and Whale Optimization Algorithm (WOA) have been evaluated against FDO in terms of their results. Using these FDO experimental findings, we may conclude that FDO outperforms the other techniques stated. There are two primary goals for this chapter: first, the implementation of FDO will be shown step-by-step so that readers can better comprehend the algorithm method and apply FDO to solve real-world applications quickly. The second issue deals with how to tweak the FDO settings to make the meta-heuristic evolutionary algorithm better in the IoT health service system at evaluating big quantities of information. Ultimately, the target of this chapter's enhancement is to adapt the IoT healthcare framework based on FDO to spawn effective IoT healthcare applications for reasoning out real-world optimization, aggregation, prediction, segmentation, and other technological problems.
• Abstract（参考訳）: 本稿では、Fitness Dependent OptimizerまたはいわゆるFDOに関するケーススタディについて論じ、そのパラメータをIoT(Internet of Things)ヘルスケアに適用する。 繁殖方法は、ミツバチの群れとFDOの協調的な意思決定によって引き起こされる。 ミツバチや人工蜂のコロニーアルゴリズムとは対照的に、このアルゴリズムはミツバチとは無関係である。 FDOでは、検索エージェントの位置は速度または速度で更新されるが、異なる方法で実行される。 この問題の適合関数値に基づいて重みを生成し、探索と搾取プロセスを通じてエージェントのリードを支援する。 他のアルゴリズムは、FDOを元の作業でGA(Genematic Algorithm)とPSO(Particle Swarm Optimization)として評価し、比較する。 主要なアルゴリズム:Salp-Swarm Algorithms (SSA)、Dragonfly Algorithm (DA)、Whale Optimization Algorithm (WOA)は、それらの結果に関してFDOに対して評価されている。 これらのFDO実験結果から、FDOは他の技術よりも優れていると結論する。 まず、FDOの実装をステップバイステップで示すことで、読者がアルゴリズムの手法をよりよく理解し、FDOを適用して現実世界のアプリケーションを素早く解けるようにする。 第2の問題は、FDO設定を微調整して、IoTヘルスサービスシステムにおいて、大量の情報を評価するメタヒューリスティック進化アルゴリズムを改善する方法に関するものだ。 最終的にこの章の目標は、FDOに基づくIoTヘルスケアフレームワークを適用して、現実の最適化、集約、予測、セグメンテーション、その他の技術的問題を推論するための効果的なIoTヘルスケアアプリケーションを創出することだ。

関連論文リスト

• Modified-Improved Fitness Dependent Optimizer for Complex and Engineering Problems [5.078139820108554]
  FDO(Fitness dependent)は、新しいスウォーム知能アルゴリズムの1つである。 本研究は、M-IFDOと呼ばれるIFDOの修正版を提案する。 M-IFDOは5つの最先端アルゴリズムと比較される。
  論文  参考訳（メタデータ） (2024-06-27T07:47:23Z)
• FedNAR: Federated Optimization with Normalized Annealing Regularization [54.42032094044368]
  ウェイト崩壊の選択を探索し、ウェイト崩壊値が既存のFLアルゴリズムの収束に有意な影響を及ぼすことを確かめる。 我々は,既存のFLアルゴリズムにシームレスに統合可能なプラグインであるFederated Optimization with Normalized Annealing Regularization (FedNAR)を開発した。
  論文  参考訳（メタデータ） (2023-10-04T21:11:40Z)
• OptBA: Optimizing Hyperparameters with the Bees Algorithm for Improved Medical Text Classification [0.0]
  我々は,ビーズアルゴリズムを利用して,深層学習モデルのハイパーパラメータを微調整するOptBAを提案する。 実験の結果,約1.4%の精度向上が認められた。
  論文  参考訳（メタデータ） (2023-03-14T16:04:13Z)
• Multi objective Fitness Dependent Optimizer Algorithm [19.535715565093764]
  本稿では、最近導入されたフィットネス依存型(FDO)の多目的変種を提案する。 このアルゴリズムはMOFDO(Multi objective Fitness Dependent)と呼ばれ、FDOのように5種類の知識(situational, normative, topographical, domain, historical knowledge)を備えている。 提案アルゴリズムは,多種多様な分散可能な実現可能解を提供することで,意思決定者がより適用可能な快適な選択をすることができる。
  論文  参考訳（メタデータ） (2023-01-26T06:33:53Z)
• Federated Offline Reinforcement Learning [55.326673977320574]
  マルチサイトマルコフ決定プロセスモデルを提案する。 我々は,オフラインRLを対象とした最初のフェデレーション最適化アルゴリズムを設計する。 提案アルゴリズムでは,学習ポリシーの準最適性は,データが分散していないような速度に匹敵する,理論的保証を与える。
  論文  参考訳（メタデータ） (2022-06-11T18:03:26Z)
• Efficient Few-Shot Object Detection via Knowledge Inheritance [62.36414544915032]
  Few-shot Object Detection (FSOD) は、未確認のタスクに少ないトレーニングサンプルで適応できるジェネリック検出器を学習することを目的としている。 計算量の増加を伴わない効率的なプレトレイン・トランスファー・フレームワーク(PTF)のベースラインを提案する。 また,予測された新しいウェイトと事前訓練されたベースウェイトとのベクトル長の不整合を軽減するために,適応長再スケーリング(ALR)戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-23T06:24:31Z)
• Improving RNA Secondary Structure Design using Deep Reinforcement Learning [69.63971634605797]
  本稿では,RNA配列設計に強化学習を適用した新しいベンチマークを提案する。このベンチマークでは,目的関数を配列の二次構造における自由エネルギーとして定義する。 本稿では,これらのアルゴリズムに対して行うアブレーション解析の結果と,バッチ間でのアルゴリズムの性能を示すグラフを示す。
  論文  参考訳（メタデータ） (2021-11-05T02:54:06Z)
• Chaotic Fitness Dependent Optimizer for Planning and Engineering Design [1.1802674324027231]
  FDO(Fitness Dependent)は、ハチの群れの繁殖行動を模倣したメタヒューリスティックなアルゴリズムである。 本稿では、FDOの性能向上を目的としており、このカオス理論をFDOの内部で使用して、CFDO(Chaotic FDO)を提案する。 CFDOでは10のカオスマップを使用して、どの地図がうまく機能しているかを考察し、局所最適とグローバル最適の発見を避ける。
  論文  参考訳（メタデータ） (2021-08-21T12:14:02Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)
• DADA: Differentiable Automatic Data Augmentation [58.560309490774976]
  コストを大幅に削減する微分可能自動データ拡張(DADA)を提案する。 CIFAR-10, CIFAR-100, SVHN, ImageNetのデータセットについて広範な実験を行った。 その結果,DADAは最先端技術よりも1桁以上高速であり,精度は極めて高いことがわかった。
  論文  参考訳（メタデータ） (2020-03-08T13:23:14Z)
• Improved Fitness-Dependent Optimizer Algorithm [0.9990687944474739]
  フィットネス依存アルゴリズム(FDO)は、2019年に導入された。 本研究では改良されたFDOアルゴリズムを提案する。 IFDOの実践性を証明するために、実世界の応用で使用される。
  論文  参考訳（メタデータ） (2020-01-16T21:50:11Z)

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。