In many real-world applications of

In many real-world applications of classification learning, such as credit card transaction vetting or classification embedded in sensor nodes, multiple instances simultaneously require classification under computational resource constraints such as limited time or limited battery capacity. In such a situation, available computational resources should be allocated across the instances in order to optimize the overall classification efficacy and efficiency. We propose a novel anytime classification framework, Scheduling Anytime Averaged Probabilistic Estimators (SAAPE), which is capable of classifying a pool of instances, delivering accurate results whenever interrupted and optimizing the collective classification performance. Following the practice of our previous anytime classification system AAPE, SAAPE runs a sequence of very efficient Bayesian probabilistic classifiers to classify each single instance. Furthermore, SAAPE implements seven alternative scheduling schemes to decide which instance gets available computational resources next such that a new classifier can be applied to refine its classification. We formally present each scheduling scheme’s definition, rationale and time complexity. We conduct large-scale experiments using 60 benchmark data sets and diversified statistical tests to evaluate SAAPE’s performance on zero-one loss classification as well as on probability estimation. We analyze each scheduling scheme’s advantages and disadvantages according to both theoretical understandings and empirical observations. Consequently we identify effective scheduling schemes that enable SAAPE to accomplish accurate anytime classification for a pool of instances.

ผลลัพธ์ (ไทย) 1:

ในการใช้งานจริงในโลกจำนวนมากของการเรียนรู้การจัดหมวดหมู่เช่นเตรียมการทำธุรกรรมบัตรเครดิตหรือการจัดหมวดหมู่ที่ฝังอยู่ในโหนดเซ็นเซอร์หลายกรณีพร้อมกันจำเป็นต้องมีการจัดหมวดหมู่ภายใต้ข้อ จำกัด ของทรัพยากรการคำนวณเช่นเวลา จำกัด หรือความจุของแบตเตอรี่ที่ จำกัด ในสถานการณ์ดังกล่าวทรัพยากรที่มีอยู่ในการคำนวณควรจะจัดสรรในกรณีเพื่อเพิ่มประสิทธิภาพประสิทธิภาพโดยรวมของการจัดหมวดหมู่และมีประสิทธิภาพ เรานำเสนอกรอบการทำงานได้ตลอดเวลาการจัดหมวดหมู่ใหม่ตั้งเวลาที่ทุกเวลาเฉลี่ยประมาณความน่าจะเป็น (saape) ซึ่งเป็นความสามารถในการจำแนกชนิดของสระว่ายน้ำของกรณีที่การส่งมอบผลลัพธ์ที่ถูกต้องเมื่อใดก็ตามที่หยุดชะงักและเพิ่มประสิทธิภาพการทำงานโดยรวมของการจัดหมวดหมู่ ต่อไปนี้การปฏิบัติของ aape ระบบการจำแนกได้ตลอดเวลาก่อนหน้านี้ที่ทำงาน saape ลำดับของการที่มีประสิทธิภาพมากน่าจะแยกแยะ bayesian การจำแนกแต่ละตัวอย่างเดียว ยิ่งไปกว่านั้นsaape ดำเนินเจ็ดแผนทางเลือกการตั้งเวลาในการตัดสินใจที่ได้รับเช่นทรัพยากรที่มีอยู่ในการคำนวณต่อไปเช่นที่ลักษณนามใหม่สามารถนำมาใช้เพื่อปรับแต่งการจัดหมวดหมู่ของ เรานำเสนออย่างเป็นทางการในการกำหนดเหตุผลและความซับซ้อนของเวลาในแต่ละรูปแบบการตั้งเวลาของเราดำเนินการทดลองขนาดใหญ่โดยใช้ 60 ชุดข้อมูลมาตรฐานและการทดสอบทางสถิติที่หลากหลายในการประเมินผลการทำงาน saape ในการจัดหมวดหมู่การสูญเสียเป็นศูนย์หนึ่งเช่นเดียวกับการประเมินความน่าจะเป็น เราจะวิเคราะห์ข้อได้เปรียบในแต่ละรูปแบบการตั้งเวลาและข้อเสียตามความเข้าใจทั้งในทางทฤษฎีและการสังเกตเชิงประจักษ์ดังนั้นเราระบุแผนการการตั้งเวลาที่มีประสิทธิภาพที่ช่วยให้ saape ที่จะบรรลุการจัดหมวดหมู่ได้ตลอดเวลาที่ถูกต้องสำหรับสระว่ายน้ำของกรณี

ผลลัพธ์ (ไทย) 2:

ในการใช้งานจริงหลาย ๆ ประเภทการเรียนรู้ เช่นในการบัตรเครดิตธุรกรรมเดิมพันหรือประเภทที่ฝังอยู่ในโหนเซ็นเซอร์ หลายพร้อมกันต้องจัดประเภทภายใต้ข้อจำกัดของทรัพยากรการคำนวณเช่นเวลาที่จำกัดหรือแบตเตอรีจำกัด เช่นสถานการณ์ ใช้ทรัพยากรคอมพิวเตอร์ควรปันส่วนในอินสแตนซ์การเพิ่มประสิทธิภาพการจัดประเภทโดยรวมประสิทธิภาพและประสิทธิผล เราเสนอนวนิยายทุกประเภทกรอบ การจัดกำหนดการเวลา Averaged Probabilistic Estimators (SAAPE), ซึ่งมีความสามารถในการจัดประเภทกลุ่มของอินสแตนซ์ ส่งผลลัพธ์ที่ถูกต้องเมื่อถูกขัดจังหวะ และการเพิ่มประสิทธิภาพการจัดประเภทรวม ต่อการปฏิบัติของเราก่อนหน้านี้ทุกประเภทระบบ AAPE, SAAPE รันลำดับของคำนามภาษา probabilistic ทฤษฎีมีประสิทธิภาพมากในการจัดประเภทแต่ละอินสแตนซ์เดียว นอกจากนี้ SAAPE ใช้โครงร่างกำหนดการทางเจ็ดตัดสินอย่างใดรับทรัพยากรคอมพิวเตอร์ว่างถัดไปที่ classifier ใหม่สามารถใช้ปรับปรุงการจัดประเภทของ เรานำเสนอความซับซ้อนของโครงร่างจัดกำหนดการแต่ละนิยาม ผล และเวลาอย่างเป็นกิจจะลักษณะ เราทำการทดลองขนาดใหญ่โดยใช้ชุดข้อมูลมาตรฐาน 60 และมีความหลากหลายการทดสอบทางสถิติเพื่อประเมินประสิทธิภาพของ SAAPE ในประเภทศูนย์หนึ่งสูญเสียรวม ทั้ง การประเมินความน่าเป็น เราวิเคราะห์ข้อดีและข้อเสียตามทฤษฎีเปลี่ยนความเข้าใจและสังเกตผลของโครงร่างจัดกำหนดการแต่ละ ดังนั้น เราระบุแผนงานการจัดกำหนดการผลที่เปิดใช้งาน SAAPE ให้สำเร็จถูกต้องตลอดเวลาจัดประเภทสำหรับกลุ่มของอินสแตนซ์

ผลลัพธ์ (ไทย) 3:

ในแอปพลิเคชันแบบเรียลไทม์โลกจำนวนมากของการเรียนรู้การแบ่ง ประเภท เช่นการแบ่ง ประเภท หรือต่อการทำธุรกรรมบัตรเครดิตเอ็มเบ็ดเด็ดในโหนดเซ็นเซอร์หลายตัวพร้อมกันได้กรณีต้องมีการจำแนก ประเภท การ ภายใต้ เงื่อนไขทรัพยากรนวัตกรรมเช่นเวลาจำกัด(มหาชน)หรือความจุของแบตเตอรี่จำกัด(มหาชน) อยู่ในสถานการณ์ดังกล่าวจัดให้บริการทรัพยากรนวัตกรรมควรจะได้รับจัดสรรในบางกรณีที่ในการสั่งซื้อเพื่อเพิ่ม ประสิทธิภาพ และความมี ประสิทธิภาพ ประสิทธิภาพ โดยรวมของการแบ่ง ประเภท นี้ การกำหนดตารางเวลาการเขียนนวนิยายเรื่องเราเสนอกรอบการแบ่ง ประเภท ได้ทุกที่ทุกเวลาโดยเฉลี่ย probabilistic estimators ( saape )ซึ่งมีความสามารถในการจำแนกสระน้ำที่บางกรณีให้ผลที่ได้มีความแม่นยำเมื่อถูกหยุดการทำงานและการเพิ่ม ประสิทธิภาพ การทำงานร่วมกันการจัด ประเภท ต่อไปนี้การปฏิบัติหน้าที่ของ aape ก่อนหน้าได้ทุกระบบการแบ่ง ประเภท ของเรา saape วิ่งตามลำดับที่ของ probabilistic Bayesian classifiers อย่างมี ประสิทธิภาพ เป็นอย่างมากในการจัด ประเภท ตัวอย่างเช่นแต่ละตัว ยิ่งไปกว่านั้นsaape ปรับใช้ 7 แผนร่างการทำงาน( Schemes )การกำหนดตารางเวลาการเป็นทางเลือกในการตัดสินใจว่าควรที่จะมีทรัพยากรนวัตกรรมยกตัวอย่างเช่นจัดให้บริการถัดไปที่ข้าวใหม่ที่จะสามารถนำไปใช้ในการปรับปรุงการแบ่ง ประเภท ของโรงแรม เราอย่างเป็นทางการมีความละเอียดของการกำหนดตารางเวลาการโครงการแต่ละครั้งและความซับซ้อนเหตุผลเราจะทำการทดลองขนาดใหญ่โดยใช้ 60 ชุดข้อมูลการทดสอบ ประสิทธิภาพ และการทดสอบสถิติความหลากหลายในการประเมิน ประสิทธิภาพ การทำงานของ saape เกี่ยวกับการจำแนก ประเภท การขาดทุนไม่มีหนึ่งเป็นอย่างดีเป็นที่คาดหวังโอกาส เราจะวิเคราะห์ข้อดีของแต่ละโครงการการจัดตารางเวลาและผลเสียตามความรู้ความเข้าใจในทางทฤษฎีและการสังเกตการณ์ในเชิงประจักษ์ทั้งสองดังนั้นจึงมีผลทำให้ผลเราได้ระบุการใช้รูปแบบการจัดตารางเวลาการเปิดใช้งานอย่างมี ประสิทธิภาพ ที่ saape ในการทำงานให้สำเร็จการแบ่ง ประเภท ได้อย่างถูกต้องแม่นยำได้ทุกเวลาสำหรับสระน้ำของบางกรณี