streams such as those of credit car

streams such as those of credit card fraud. On the other hand, ILP
does not handle numerical reasoning, such as comparing the time-
points of events emitted by vehicles, which is quintessential in the
representation of composite event definitions. In the case of
partial supervision, ILP is used in combination with abduction in
order to learn an event definition. This combination of techniques,
however, does not scale to Big Data.
In addition to learning the structure of a composite event
definition, the confidence values/weights attached to the
definition can be learned from data. Usually the tasks of structure
learning and weight learning are separated; that is, first the
structure of an event definition is learnt and then the weights of
the definition are estimated. Separating the two learning tasks in
this way, however, may lead to suboptimal results, as the first
optimization step (structure learning) needs to make assumptions
about the weight values, which have not yet been optimized.
To address these issues and avoid the error-prone process of
manual composite event definition construction, our methodology
will consist of incremental learning techniques for successfully
combining abduction with induction in Big Data. Furthermore, we
will develop techniques for the simultaneous optimization of the
numerical parameters of a composite event definition (weights
and numerical temporal constraints) and its structure.

ผลลัพธ์ (ไทย) 1:

กระแสของการฉ้อโกงบัตรเครดิตเช่น ในทางกลับกัน ILPจัดการตัวเลขเหตุผล เช่นเปรียบเทียบเวลา-คะแนนที่ออกมาจากยานพาหนะ ที่รี่ในเหตุการณ์แสดงคำนิยามเหตุการณ์โดยรวม ในกรณีของกำกับดูแลบางส่วน ILP ใช้ร่วมกับลักพาตัวในลำดับการเรียนรู้ข้อกำหนดเหตุการณ์ ชุดนี้ของเทคนิคอย่างไรก็ตาม ขนาดที่ข้อมูลขนาดใหญ่นอกจากการเรียนรู้โครงสร้างของเหตุการณ์โดยรวมข้อกำหนด ค่า/น้ำหนักความเชื่อมั่นที่แนบกับการคำจำกัดความสามารถเรียนรู้จากข้อมูล โดยปกติแล้วงานของโครงสร้างเรียนรู้และการเรียนรู้น้ำหนักจะแยก นั่นคือ ครั้งแรกการเป็นการเรียนรู้โครงสร้างของข้อกำหนดเหตุการณ์แล้วน้ำหนักของมีประเมินข้อกำหนด แยกงานการเรียนรู้ 2 ในนี้ทาง อย่างไรก็ตาม อาจนำไปสู่ผลลัพธ์สภาพ เป็นครั้งแรกขั้นตอนเพิ่มประสิทธิภาพ (เรียนรู้โครงสร้าง) ต้องสร้างสมมติฐานเกี่ยวกับน้ำหนักค่า ซึ่งยังไม่ถูกปรับให้เหมาะสมปัญหาเหล่านี้ และหลีกเลี่ยงการผิดพลาดได้ง่ายก่อสร้างคำนิยามเหตุการณ์ด้วยตนเองโดยรวม วิธีการของเราจะประกอบด้วยเทคนิคการเรียนรู้ที่เพิ่มขึ้นสำหรับเสร็จเรียบร้อยแล้วรวมลักพาตัว ด้วยการเหนี่ยวนำในข้อมูลขนาดใหญ่ นอกจากนี้ เราจะพัฒนาเทคนิคสำหรับการปรับเวลาของการพารามิเตอร์เป็นตัวเลขของคำนิยามเหตุการณ์โดยรวม (น้ำหนักและข้อจำกัดเลขที่ขมับ) และโครงสร้าง

ผลลัพธ์ (ไทย) 2:

ลำธารเช่นพวกฉ้อโกงบัตรเครดิต ในทางตรงกันข้าม, ILP ไม่ได้จัดการกับการใช้เหตุผลเชิงตัวเลขเช่นการเปรียบเทียบเวลาจุดของเหตุการณ์ที่ปล่อยออกมาจากยานพาหนะซึ่งเป็นแก่นสารในการเป็นตัวแทนของคำจำกัดความเหตุการณ์คอมโพสิต ในกรณีที่มีการกำกับดูแลบางส่วน ILP ถูกนำมาใช้ร่วมกับการลักพาตัวในเพื่อที่จะได้เรียนรู้คำนิยามเหตุการณ์ การรวมกันของเทคนิคนี้แต่ไม่ได้ขนาดเพื่อข้อมูลขนาดใหญ่. นอกจากการเรียนรู้โครงสร้างของเหตุการณ์คอมโพสิตนิยามค่าความเชื่อมั่น / น้ำหนักที่แนบมากับคำนิยามที่สามารถเรียนรู้จากข้อมูล โดยปกติงานของโครงสร้างการเรียนรู้และการเรียนรู้น้ำหนักจะถูกแยกออก; นั่นคือครั้งแรกโครงสร้างของความหมายเหตุการณ์จะเรียนรู้แล้วน้ำหนักของความหมายอยู่ที่ประมาณ แยกสองงานการเรียนรู้ในลักษณะนี้แต่อาจนำไปสู่ผลการก่อให้เกิดผลลัพธ์เป็นครั้งแรกขั้นตอนการเพิ่มประสิทธิภาพ(การเรียนรู้โครงสร้าง) ต้องการที่จะทำให้สมมติฐานเกี่ยวกับค่าน้ำหนักซึ่งยังไม่ได้รับการปรับให้เหมาะสม. เพื่อแก้ไขปัญหาเหล่านี้และหลีกเลี่ยงข้อผิดพลาด กระบวนการ -prone ของคู่มือการก่อสร้างนิยามเหตุการณ์คอมโพสิตวิธีการของเราจะประกอบด้วยเทคนิคการเรียนรู้ที่เพิ่มขึ้นสำหรับการประสบความสำเร็จในการลักพาตัวรวมกับการเหนี่ยวนำในฐานข้อมูลขนาดใหญ่ นอกจากนี้เราจะมีการพัฒนาเทคนิคสำหรับการเพิ่มประสิทธิภาพพร้อมกันของพารามิเตอร์ตัวเลขของคำนิยามเหตุการณ์คอมโพสิต(น้ำหนักและข้อ จำกัด ขมับตัวเลข) และโครงสร้าง

ผลลัพธ์ (ไทย) 3:

ลำธารเช่นบรรดาของการฉ้อโกงบัตรเครดิต บนมืออื่น ๆ , ส.
ไม่ได้จัดการการใช้เหตุผลเชิงตัวเลข เช่น การเปรียบเทียบเวลา -
จุดของเหตุการณ์ที่ปล่อยออกมาจากยานพาหนะ ซึ่งเป็นหัวใจสำคัญในการเป็นตัวแทนของคำนิยาม
เหตุการณ์ประกอบ ในกรณีของ
นิเทศบางส่วน ILP จะถูกใช้ร่วมกับการลักพาตัวใน
เพื่อเรียนรู้งานนิยาม การรวมกันของเทคนิค
อย่างไรก็ตาม ไม่ปรับขนาดให้ใหญ่ข้อมูล
นอกเหนือจากการเรียนรู้โครงสร้างของนิยามเหตุการณ์
คอมโพสิต ความมั่นใจค่า / น้ำหนักที่แนบมากับ
นิยามสามารถเรียนรู้จากข้อมูล โดยปกติงานโครงสร้างการเรียนรู้ และการเรียนรู้จะแยกน้ำหนัก
; นั่นคือครั้งแรก
โครงสร้างของเหตุการณ์ นิยาม คือเรียนรู้แล้วน้ำหนัก
ความหมายจะประมาณแยกสองการเรียนรู้งานใน
วิธีนี้ , อย่างไรก็ตาม , อาจนำไปสู่ผลลัพธ์ที่ suboptimal เป็นขั้นตอนที่เหมาะสมก่อน
( โครงสร้างการเรียนรู้ ) ต้องตั้งสมมติฐาน
หนักประมาณค่า ซึ่งยังไม่ได้รับการปรับให้เหมาะสม
เพื่อจัดการกับปัญหาเหล่านี้และหลีกเลี่ยงข้อผิดพลาดได้ง่ายกระบวนการ
คู่มือประกอบงานนิยาม ก่อสร้าง
วิธีการของเราจะประกอบด้วย การเรียนรู้เทคนิคเพิ่มความเหนี่ยวนำในการลักพาตัว
รวมกับข้อมูลใหญ่ นอกจากนี้เรา
จะพัฒนาเทคนิคสำหรับการเพิ่มประสิทธิภาพพร้อมกัน
ตัวแปรเชิงตัวเลขของนิยามเหตุการณ์ประกอบ ( น้ำหนัก
และตัวเลขเวลาจำกัด ) และโครงสร้าง .