Logo des Repositoriums
 
Konferenzbeitrag

Widening mit Hashbasierter Partitionierung des Hypothesenraums

Lade...
Vorschaubild

Volltext URI

Dokumententyp

Text/Conference Paper

Zusatzinformation

Datum

2020

Zeitschriftentitel

ISSN der Zeitschrift

Bandtitel

Verlag

Gesellschaft für Informatik e.V.

Zusammenfassung

Vielen Algorithmen im Data Mining basieren auf gierigem Verhalten, um ein ausreichend gutes Modell schnell zu finden. Bei der Verwendung solcher Greedy-Algorithmen besteht allerdings die Gefahr, dass diese in lokalen Optima stecken bleiben. Mit Hilfe von Widening, einer Technik um den Hypothesenraum breiter zu durchsuchen, kann diese Gefahr verringert werden, indem parallel mehrere, möglichst unterschiedliche, Modelle erzeugt werden. Bisherige Verfahren im Widening leiden jedoch unter zweierlei Problemen: dem Overhead durch die Kommunikation zwischen den parallelen Recheneinheiten und der Notwendigkeit, Modelle bezüglich ihrer Ähnlichkeit miteinander vergleichen zu können. In der vorliegen Arbeit wird mit dem Bucket-Selektor ein randomisiertes und Modellunabhängiges Widening-Verfahren vorgestellt, das schneller zu ähnlich guten Ergebnissen gelangt wie bisherige Verfahren.

Beschreibung

Fillbrunn, Alexander (2020): Widening mit Hashbasierter Partitionierung des Hypothesenraums. Ausgezeichnete Informatikdissertationen 2019. Bonn: Gesellschaft für Informatik e.V.. ISBN: 978-3-88579-775-3. pp. 79-88. Schoss Dagstuhl, Deutschland. 17.-20. Mai 2020

Schlagwörter

Zitierform

DOI

Tags