In the basic form the input to our

In the basic form the input to our algorithms contains all
|V | × |V | pairwise similarities. However, it turns out that
there can be a lot of redundancy in this input. Often we can
prune most of the pairwise comparisons with negligible loss
in quality. This is an important characteristic, as it allows us
to apply the algorithm also for larger data sets. Selecting the
best set of edges to prune is an interesting problem in its own
right. In this experiment we took the simple approach, and
prune edges at random: an edge is taken in consideration with
probability q (denoted the pruning threshold) independently of
the other edges. In Figure 3 we show edge-specific cost as well
as precision and recall as a function of q for the OCC-JACC
algorithm (the curves are again medians over 30 trials). Clearly
with these example data sets the pruning threshold can be set
very low. Also, there is a noticeable “threshold effect” in the
cost/edge that may serve as an indicator to find the pruning
threshold in a setting where a ground truth is not available.
This suggests that in practice it is not necessary to use all

ผลลัพธ์ (ไทย) 1:

ในแบบพื้นฐาน อินพุตเป็นอัลกอริทึมของเราประกอบด้วยทั้งหมด| V | × | V | แพร์ไวส์ความคล้ายคลึงกัน อย่างไรก็ตาม ปรากฎว่าสามารถมีจำนวนมากของความซ้ำซ้อนในการป้อนข้อมูลนี้ บ่อยครั้งที่เราสามารถprune ส่วนใหญ่เปรียบเทียบแพร์ไวส์กับการสูญเสียเล็กน้อยในคุณภาพ เป็นคุณลักษณะสำคัญที่ มันให้เราการใช้อัลกอริทึมสำหรับชุดข้อมูลขนาดใหญ่ เลือกชุดที่ดีที่สุดของขอบที่เป็นปัญหาน่าสนใจในตัวเองด้านขวา ในการทดลองนี้ เราเอาวิธีง่าย และprune ขอบที่สุ่ม: ขอบอยู่ในการพิจารณาด้วยความน่าเป็น q (ระบุเกณฑ์ตัด) เป็นอิสระของขอบอื่น ๆ ในรูปที่ 3 เราแสดงเฉพาะขอบต้นทุนเป็นอย่างดีแม่นยำและเรียกคืนเป็นฟังก์ชันของ q สำหรับ OCC-JACCอัลกอริทึม (เส้นโค้งเป็นอีก medians มากกว่า 30 การทดลอง) อย่างชัดเจนด้วยชุดข้อมูลตัวอย่างเหล่านี้ สามารถตั้งค่าเกณฑ์การตัดต่ำมาก ยัง มีความชัดเจน "เกณฑ์ผล" ในการต้นทุน/ขอบที่อาจเป็นตัวบ่งชี้ในการค้นหาแต่งเกณฑ์ในการตั้งค่าที่ความจริงพื้นดินไม่มีนี้แสดงให้เห็นว่า ในทางปฏิบัติ ไม่จำเป็นต้องใช้ทั้งหมด

ผลลัพธ์ (ไทย) 2:

ในรูปแบบพื้นฐานป้อนข้อมูลไปยังขั้นตอนวิธีการของเรามีทั้งหมด
| V | × | V | ความคล้ายคลึงกันคู่ แต่ปรากฎว่า
จะมีจำนวนมากที่มีความซ้ำซ้อนในการป้อนข้อมูลนี้ บ่อยครั้งที่เราสามารถ
ตัดส่วนใหญ่ของรถคู่กับการสูญเสียเล็กน้อย
ในด้านคุณภาพ นี่คือลักษณะที่สำคัญในขณะที่มันช่วยให้เราสามารถ
ที่จะใช้อัลกอริทึมยังสำหรับชุดข้อมูลขนาดใหญ่ เลือก
ชุดที่ดีที่สุดของการตัดขอบเป็นปัญหาที่น่าสนใจในตัวของมันเอง
ที่เหมาะสม ในการทดลองนี้เราเอาวิธีการที่ง่ายและ
ขอบพรุนที่สุ่ม: ขอบจะได้รับการพิจารณาด้วย
Q น่าจะเป็น (แสดงเกณฑ์การตัดแต่งกิ่ง) เป็นอิสระจาก
ขอบอื่น ๆ ในรูปที่ 3 เราจะแสดงค่าใช้จ่ายขอบเฉพาะเช่นกัน
เป็นความแม่นยำและการเรียกคืนเป็นหน้าที่ของ Q สำหรับ OCC-JACC
อัลกอริทึม (เส้นโค้งเป็นอีกครั้งมีเดียกว่า 30 การทดลอง) เห็นได้ชัดว่า
มีข้อมูลตัวอย่างชุดนี้เกณฑ์การตัดแต่งกิ่งที่สามารถตั้งค่า
ที่ต่ำมาก นอกจากนี้ยังมีเป็นที่เห็นได้ชัด "ผลเกณฑ์" ใน
ค่าใช้จ่าย / EDGE ที่อาจทำหน้าที่เป็นตัวบ่งชี้เพื่อหาสิ่งที่ตัดแต่งกิ่ง
เกณฑ์ในการตั้งค่าที่ความจริงพื้นดินไม่สามารถใช้งานได้.
นี้แสดงให้เห็นว่าในทางปฏิบัติมันไม่จำเป็นที่จะใช้ทั้งหมด

ผลลัพธ์ (ไทย) 3:

ในรูปแบบพื้นฐานข้อมูลขั้นตอนวิธีของเราที่มีทั้งหมด| V | × | V | คู่เหมือน แต่กลับกลายเป็นว่าสามารถมีได้มากของความซ้ำซ้อนในการป้อนข้อมูลนี้ บ่อยครั้งที่เราสามารถลูกพรุนมากที่สุดของการเปรียบเทียบคู่กับการสูญเสียน้อยในคุณภาพ นี้เป็นคุณลักษณะที่สำคัญ , มันช่วยให้เราการใช้อัลกอริทึมสำหรับขนาดใหญ่ข้อมูลชุด การเลือกที่ดีที่สุดชุดของขอบลูกพรุน เป็นปัญหาที่น่าสนใจในของตัวเองใช่ ในการทดลองนี้เราเอาวิธีการที่เรียบง่ายและตัดขอบ : ขอบถูกสุ่มในการพิจารณาด้วยความน่าจะเป็น Q ( กล่าวคือ ตัดแต่งกิ่งธรณีประตู ) อย่างอิสระขอบอื่น ๆ ในรูปที่ 3 เราแสดงขอบเฉพาะต้นทุนเช่นกันที่แม่นยำและเรียกคืนการทำงานของ occ-jacc Q สำหรับขั้นตอนวิธี ( โค้งอีกครั้งมีเดียกว่า 30 ครั้ง ) อย่างชัดเจนกับข้อมูลตัวอย่างเหล่านี้ชุดตัดเกณฑ์สามารถตั้งค่าต่ำมาก มีเห็นได้ชัด " เกณฑ์ผล " ในต้นทุน / EDGE ที่อาจใช้เป็นตัวบ่งชี้เพื่อหาการลิดกิ่งเกณฑ์ในการตั้งค่าที่พื้นดิน ความจริงคือ ไม่สามารถใช้งานได้นี้แสดงให้เห็นว่า ในการฝึกจะต้องใช้ทั้งหมด