Klassifikaciq ob#ektow s ispol'zowaniem bystrogo superwizornogo häshirowaniq : dlq dannyh wysokoj razmernosti

M. Arawind Kumar

ISBN 10: 6206187489 / ISBN 13: 9786206187486

Published by Sciencia Scripts

About this Item

nach der Bestellung gedruckt Neuware - Printed after ordering - V ätoj knige kratko izlozhena osnownaq zadacha superwizornogo heshirowaniq - preobrazowat' ishodnye priznaki w korotkie dwoichnye kody, kotorye mogut podderzhiwat' shodstwo metok w prostranstwe Hämminga. Blagodarq swoim sil'nym wozmozhnostqm obobscheniq nelinejnye häsh-funkcii okazalis' luchshe linejnyh. V literature chasto ispol'zuütsq funkcii qdra dlq sozdaniq nelinejnogo heshirowaniq, chto priwodit k horoshim rezul'tatam poiska, no trebuet dlitel'nogo wremeni na ocenku i obuchenie. Zdes' my predlagaem ispol'zowat' forsirowannye derew'q reshenij, kotorye bystro obuchaütsq i oceniwaütsq i, sledowatel'no, luchshe podhodqt dlq häshirowaniq dannyh wysokoj razmernosti. V ramkah postoqnnogo sowershenstwowaniq my snachala predlagaem submodul'nye formulirowki dlq problemy wywoda dwoichnogo koda häshirowaniq, a takzhe äffektiwnuü tehniku blochnogo poiska na osnowe Graph Cut dlq krupnomasshtabnogo wywoda. Zatem my obuchaem usilennye derew'q reshenij, podhodqschie k dwoichnym kodam, dlq izucheniq häsh-funkcij. Jexperimenty pokazywaüt, chto po tochnosti poiska i prodolzhitel'nosti obucheniq predlozhennaq nami strategiq znachitel'no prewoshodit bol'shinstwo sowremennyh metodow.

Seller Inventory # 9786206187486

Bibliographic Details

• Title: Klassifikaciq ob#ektow s ispol'zowaniem bystrogo superwizornogo häshirowaniq : dlq dannyh wysokoj razmernosti
• Publisher: Sciencia Scripts
• ISBN 10: 6206187489
• ISBN 13: 9786206187486
• Binding: Taschenbuch
• Condition: Neu
• Dimensions: 220W x 150H x 5D millimeters 220 millimeters width by 150 millimeters height by 5 millimeters depth
• Weight: 137 grams

About this title

Synopsis

В этой книге кратко изложена основная задача супервизорного хеширования - преобразовать исходные признаки в короткие двоичные коды, которые могут поддерживать сходство меток в пространстве Хэмминга. Благодаря своим сильным возможностям обобщения нелинейные хэш-функции оказались лучше линейных. В литературе часто используются функции ядра для создания нелинейного хеширования, что приводит к хорошим результатам поиска, но требует длительного времени на оценку и обучение. Здесь мы предлагаем использовать форсированные деревья решений, которые быстро обучаются и оцениваются и, следовательно, лучше подходят для хэширования данных высокой размерности. В рамках постоянного совершенствования мы сначала предлагаем субмодульные формулировки для проблемы вывода двоичного кода хэширования, а также эффективную технику блочного поиска на основе Graph Cut для крупномасштабного вывода. Затем мы обучаем усиленные деревья решений, подходящие к двоичным кодам, для изучения хэш-функций. Эксперименты показывают, что по точности поиска и продолжительности обучения предложенная нами стратегия значительно превосходит большинство современных методов.