Figure 2 illustrates how COAL deplo

Figure 2 illustrates how COAL deploys a regression model for DSE. As the first phase,
COAL labels a number of randomly generated design configurations by the simulator
(simulation cluster), which constructs the initial labeled data set. At each learning
phase of COAL, the semisupervised learning is utilized to select and label two unlabeled
design configurations. After that, COAL updates each regression tree by the
configuration labeled by the other tree. Using the updated trees, COAL invokes the
active learning engine, via which COAL finds and simulates the unlabeled design
configurations on which the trees show the largest disagreement. This newly labeled
design configuration is then used to further update both trees. Such a procedure is
repeated for several times until the predefined iteration is reached. Benefited from
the collaboration of cotraining semisupervised learning and active learning, COAL
provides us accurate predictions of processer responses at the cost of simulating only
a few design configurations.

ผลลัพธ์ (ไทย) 1:

รูปที่ 2 แสดงให้เห็นว่าถ่านหินจัดวางแบบจำลองถดถอยสำหรับ DSE เป็นระยะแรกถ่านหินป้ายตัวเลขกำหนดค่าออกแบบที่สร้างขึ้นแบบสุ่ม โดยการจำลอง(การจำลองคลัสเตอร์), ซึ่งสร้างแรกที่ชื่อชุดข้อมูล ที่เรียนรู้แต่ละขั้นตอนการใช้ประโยชน์ถ่านหิน การเรียนรู้ semisupervised การเลือกป้ายชื่อทั้งสองไม่ออกแบบโครงแบบ หลังจากนั้น ถ่านหินปรับปรุงแผนภูมิโดยถดถอยแต่ละตั้งค่าคอนฟิกป้ายตามต้นไม้อื่น ๆ ใช้ต้นไม้ปรับปรุง เรียกใช้ถ่านหินเครื่องยนต์เรียนรู้การใช้งาน ผ่านซึ่งพบถ่านหิน และจำลองแบบไม่ตั้งค่าคอนฟิกที่ต้นไม้แสดงกันมากที่สุด นี้ชื่อใหม่แล้วใช้กำหนดค่าออกแบบเพิ่มเติม ปรับปรุงทั้งต้นไม้ ขั้นตอนดังกล่าวทำซ้ำหลายครั้งจนถึงการเกิดซ้ำกำหนดไว้ล่วงหน้า รับประโยชน์จากการความร่วมมือของ cotraining semisupervised เรียนและเรียนรู้งาน ถ่านหินช่วยให้เราคาดคะเนแม่นยำตอบสนอง processer ค่าจำลองเท่านั้นกี่ออกแบบโครงแบบ

ผลลัพธ์ (ไทย) 2:

รูปที่ 2 แสดงให้เห็นว่าถ่านหินปรับตัวแบบการถดถอยสำหรับ DSE เป็นขั้นตอนแรกที่
ถ่านหินป้ายจำนวนการสุ่มจับการกำหนดค่าการออกแบบโดยจำลอง
(กลุ่มการจำลอง) ซึ่งเริ่มต้นสร้างชุดข้อมูลที่มีข้อความ การเรียนรู้ในแต่ละ
ขั้นตอนของถ่านหิน semisupervised การเรียนรู้ถูกนำมาใช้ในการเลือกและติดป้ายสองไม่มีชื่อกำกับ
การกำหนดค่าการออกแบบ หลังจากนั้นถ่านหินปรับปรุงต้นไม้ถดถอยแต่ละโดย
การกำหนดค่าป้ายต้นไม้อื่น ๆ โดยใช้ต้นไม้ที่ปรับปรุงถ่านหินอิ
เครื่องมือการเรียนรู้ที่ใช้งานผ่านทางซึ่งถ่านหินพบและเลียนแบบการออกแบบที่ไม่มีป้ายกำกับ
การกำหนดค่าที่ต้นไม้แสดงความไม่เห็นด้วยที่ใหญ่ที่สุด ป้ายใหม่นี้
ตั้งค่าการออกแบบก็จะใช้ต่อไปปรับปรุงต้นไม้ทั้ง เช่นขั้นตอนที่มีการ
ทำซ้ำหลายครั้งจนย้ำที่กำหนดไว้ล่วงหน้าถึง ได้รับประโยชน์จาก
การทำงานร่วมกันของการเรียนรู้ cotraining semisupervised และการเรียนรู้การใช้งานถ่านหิน
ให้เราคาดการณ์ถูกต้องของการตอบสนอง Processer ในราคาเพียงจำลอง
การกำหนดค่าการออกแบบไม่กี่

ผลลัพธ์ (ไทย) 3:

รูปที่ 2 แสดงให้เห็นถึงวิธีการปรับใช้ถ่านหินถดถอยแบบ dse . เป็นเฟสแรก
ถ่านหินป้ายหมายเลขที่สร้างขึ้นแบบสุ่มค่าออกแบบโดยจำลอง
( แบบกลุ่ม ) ซึ่งโครงสร้างเบื้องต้นระบุว่าชุดข้อมูล ในแต่ละขั้นตอนของการเรียนรู้
ถ่านหิน semisupervised เรียนถูกใช้เพื่อเลือกและฉลากสองรูปแบบการออกแบบใกล้เคียงกัน

หลังจากนั้นถ่านหินการปรับปรุงแต่ละถดถอยต้นไม้โดย
ค่าป้าย โดยต้นไม้อื่น ๆ ใช้อัพเดทต้นไม้ถ่านหินจะเรียกใช้งานผ่านการเรียนรู้
เครื่องยนต์ ซึ่งถ่านหินพบและจำลองรูปแบบการออกแบบ
ใกล้เคียงที่ต้นไม้แสดงความไม่เห็นด้วยที่ใหญ่ที่สุด ใหม่ติดป้าย
ออกแบบปรับแต่งแล้วใช้เพื่อการปรับปรุงต่อไป ทั้งต้นไม้ วิธีการเช่นนี้เป็นที่
ซ้ำหลายๆ ครั้ง จนกว่าการล่วงหน้าถึง ประโยชน์จากความร่วมมือของ cotraining
semisupervised การเรียนรู้และกิจกรรมการเรียนรู้ ถ่านหิน
ให้เราคาดคะเนที่ถูกต้องของการตอบสนอง Processer ที่ค่าใช้จ่ายของจำลองเท่านั้น
ออกแบบการกำหนดค่าไม่กี่