ترجمه فارسی مقاله روش‌های تکامل دیفرانسیل ممتیک برای خوشه‌بندی نیمه نظارتی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Memetic Differential Evolution Methods for Semi-Supervised Clustering
عنوان مقاله به فارسی روش‌های تکامل دیفرانسیل ممتیک برای خوشه‌بندی نیمه نظارتی
نویسندگان Pierluigi Mansueto, Fabio Schoen
فرمت مقاله انگلیسی PDF
تعداد صفحات 21
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Optimization and Control,Machine Learning,Neural and Evolutionary Computing,بهینه سازی و کنترل , یادگیری ماشین , محاسبات عصبی و تکاملی ,
توضیحات Submitted 7 March, 2024; originally announced March 2024. , MSC Class: 90C11; 90C30; 90C59
توضیحات به فارسی ارسال 7 مارس 2024 ؛در ابتدا مارس 2024 اعلام شد ، کلاس MSC: 90C11 ؛90C30 ؛90C59
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

In this paper, we deal with semi-supervised Minimum Sum-of-Squares Clustering (MSSC) problems where background knowledge is given in the form of instance-level constraints. In particular, we take into account "must-link" and "cannot-link" constraints, each of which indicates if two dataset points should be associated to the same or to a different cluster. The presence of such constraints makes the problem at least as hard as its unsupervised version: it is no more true that each point is associated to its nearest cluster center, thus requiring some modifications in crucial operations, such as the assignment step. In this scenario, we propose a novel memetic strategy based on the Differential Evolution paradigm, directly extending a state-of-the-art framework recently proposed in the unsupervised clustering literature. As far as we know, our contribution represents the first attempt to define a memetic methodology designed to generate a (hopefully) optimal feasible solution for the semi-supervised MSSC problem. The proposal is compared with some state-of-the-art algorithms from the literature on a set of well-known datasets, highlighting its effectiveness and efficiency in finding good quality clustering solutions.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله ، ما با مشکلات خوشه بندی حداقل مربعات نیمه تحت نظارت (MSSC) که در آن دانش پیش زمینه به شکل محدودیت های سطح نمونه ارائه می شود ، سر و کار داریم.به طور خاص ، ما محدودیت های "باید پیوند" و "نمی توان پیوند نمی دهد" را در نظر می گیریم ، که هر یک از آنها نشان می دهد که آیا دو نقطه مجموعه داده باید با یک یا یک خوشه متفاوت مرتبط باشد.وجود چنین محدودیت هایی باعث می شود مشکل حداقل به همان اندازه نسخه بدون نظارت آن سخت باشد: دیگر درست نیست که هر نقطه به نزدیکترین مرکز خوشه ای خود مرتبط است ، بنابراین نیاز به برخی از اصلاحات در عملیات مهم مانند مرحله واگذاری دارد.در این سناریو ، ما یک استراتژی یادداشت جدید را بر اساس الگوی تکامل دیفرانسیل پیشنهاد می کنیم ، و مستقیماً یک چارچوب پیشرفته را که اخیراً در ادبیات خوشه بندی بدون نظارت پیشنهاد شده است ، گسترش می دهد.تا آنجا که می دانیم ، سهم ما نشان دهنده اولین تلاش برای تعریف یک روش یادبود است که برای تولید یک راه حل عملی بهینه (امیدوارم) برای مشکل MSSC نیمه تحت نظارت طراحی شده است.این پیشنهاد با برخی از الگوریتم های پیشرفته از ادبیات در مجموعه مجموعه داده های شناخته شده مقایسه شده است ، و اثربخشی و کارآیی آن را در یافتن راه حل های خوشه بندی با کیفیت خوب برجسته می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.