فایل ورد کامل انتخاب زیرمجموعه از طریق بهینه سازی Pareto

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل انتخاب زیرمجموعه از طریق بهینه سازی Pareto،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۲ صفحه

انتخاب زیرمجموعه بهینه از مجموعه بزرگ متغیرها در واقع مشکل اساسی در فعالیت های مختلف یادگیری است همانند : انتخاب ویژگی رگرسیون پراکنده و یادگیری دیکشنری و غیره. در این مقاله ما رویکرد POSS (انتخاب زیرمجموعه بهینه سازی پارتو ) را پیشنهاد می دهیم که بهینه سازی تکاملی Pareto را بکار می گیرد تا زیرمجموعه در اندازه کوچک و با عملکرد مناسب یافت شود . ما ثابت می نماییم که برای رگرسیون پراکنده رویکرد POSS قادر است تا به لحاظ نظری عملکرد تقریب تضمین شده موثر را که تا به حال بهترین بوده است بدست آورد . به ویژه برای زیرمجموعه Exponential Decay ثابت شده است که رویکرد مذکور راه حل بهینه ای را بدست می آورد . تحقیقات تجربی توانسته است نتایج نظری را بازبینی نماید و عملکرد برتر رویکرد POSS را برای روش های بهینه سازی محدب و الگوریتم حریصانه نمایش دهد .

عنوان انگلیسی:

Subset Selection by Pareto Optimization

~~en~~ writers :

Chao Qian, Yang Yu, Zhi-Hua Zhou

Selecting the optimal subset from a large set of variables is a fundamental problem
in various learning tasks such as feature selection, sparse regression, dictionary
learning, etc. In this paper, we propose the POSS approach which employs evolutionary Pareto optimization to find a small-sized subset with good performance.
We prove that for sparse regression, POSS is able to achieve the best-so-far theoretically guaranteed approximation performance efficiently. Particularly, for the
Exponential Decay subclass, POSS is proven to achieve an optimal solution. Empirical study verifies the theoretical results, and exhibits the superior performance
of POSS to greedy and convex relaxation methods.

$$en!!