This linear procedure ignores poten

This linear procedure ignores potentially important interactions between attributes (e.g., attribute tx alone yields the highest-performing scheduler during iteration 1, but combination < ty ,tz > may be superior than < tx ,tk > for any 1 ≤ k ≠ x ≤ N), which we experimentally observed are important in our context. In this paper we propose a multifactor approach that takes into account first-order attribute interactions.6 At the end of the first iteration, we pick the top two attributes, and explore the resulting two branches concurrently; at the end of the second iteration, we again pick the top two attributes from each of the two branches, and proceed down four branches; etc. The obvious downside of this approach is that the number of simulations is much higher: for N = 50 and i = 6, our methodology yields on the order of 8,600 simulations, using the same three training applications per design point. Fortunately, feature selection is a one-time effort made at design time.7 The resulting attributes are, in principle, inextricably linked to the objective function targeted in the simulations. In Section 4, however,
we will show that a carefully-trained design can successfully tackle variations of an objective function, by simply reprogramming the reward structure.

ผลลัพธ์ (ไทย) 1:

ขั้นตอนนี้จะไม่สนใจการมีปฏิสัมพันธ์เชิงเส้นที่สำคัญที่อาจเกิดขึ้นระหว่าง (eg, แอตทริบิวต์ tx เพียงอย่างเดียวผลตอบแทนถัวเฉลี่ยที่มีประสิทธิภาพสูงสุดกำหนดการระหว่างวันที่ 1 ซ้ำ แต่การรวมกัน อาจจะเหนือกว่า ใด ๆ 1 ≤ K ≤ x ≠ n ) ซึ่งเราสังเกตการทดลองที่มีความสำคัญในบริบทของเราในบทความนี้เราเสนอวิธี Multifactor ที่คำนึงถึงสายยแอตทริบิวต์ RST-order interactions.6 ในตอนท้ายของสายยซ้ำ RST เราเลือกด้านบนสองคุณสมบัติและสำรวจผลสองสาขาควบคู่กันไป; ในตอนท้ายของ ซ้ำสองอีกครั้งเราเลือกด้านบนสองคุณสมบัติจากแต่ละสองสาขาและดำเนินการลงสี่สาขา ฯลฯข้อเสียที่เห็นได้ชัดของวิธีนี้คือว่าจำนวนของการจำลองจะสูง: สำหรับ n = 50 และ i = 6 อัตราผลตอบแทนวิธีการของเราในการสั่งซื้อจาก 8,600 จำลองโดยใช้เดียวกันสามโปรแกรมการฝึกอบรมต่อจุดการออกแบบ โชคดีที่การเลือกคุณลักษณะที่เป็นความพยายามครั้งเดียวที่ทำในการออกแบบ time.7 คุณลักษณะที่ส่งผลให้เป็นในหลักการเชื่อมโยงความสัมพันธุ์ฟังก์ชันวัตถุประสงค์เป้าหมายในการจำลอง ในส่วนที่ 4 อย่างไรก็ตาม
เราจะแสดงให้เห็นว่าการออกแบบอย่างระมัดระวังผ่านการฝึกอบรมที่ประสบความสำเร็จสามารถจัดการรูปแบบของฟังก์ชั่นวัตถุประสงค์โดยเพียงแค่ reprogramming โครงสร้างรางวัล.

ผลลัพธ์ (ไทย) 2:

กระบวนการเชิงเส้นนี้ละเว้นการโต้ตอบอาจสำคัญระหว่างแอททริบิวต์ (เช่น tx คนเดียวทำให้กำหนดการปฏิบัติสูงสุดในระหว่างการเกิดซ้ำ 1 แต่ชุด < ty, tz > แอททริบิวต์อาจจะเหนือกว่ากว่า < tx, tk > สำหรับใด ๆ 1 ≤ k ≠ x ≤ N), ซึ่งเราสังเกต experimentally มีความสำคัญในบริบทของเราได้ ในเอกสารนี้เราเสนอวิธี multifactor ที่จะเข้าบัญชีไร้สายสั่ง rst แอตทริบิวต์ interactions.6 ที่สุดของการเกิดซ้ำ rst ไร้สาย เรารับแอตทริบิวต์ที่สองด้านบน และสำรวจได้ 2 สาขาพร้อม ที่สุดของการเกิดซ้ำสอง เราอีกรับคุณลักษณะสองชั้นจาก 2 สาขา และดำเนินลงสาขาที่สี่ ฯลฯ ข้อเสียที่ชัดเจนของวิธีการนี้คือจำนวนของจำลองสูง: สำหรับ N = 50 และ = 6 อัตราผลตอบแทนของเราวิธีขั้น 8,600 จำลอง โดยใช้โปรแกรมฝึกอบรมสามกันต่อจุดออกแบบการ โชคดี เลือกลักษณะการทำงานเป็นความพยายามเพียงครั้งเดียวที่ทำ time.7 ออกแบบแอตทริบิวต์ผลลัพธ์คือ หลัก inextricably เชื่อมโยงไปยังฟังก์ชันวัตถุประสงค์เป้าหมายในแบบจำลอง ใน 4 ส่วน ไร,
เราจะแสดงว่า แบบฝึกอย่างรอบคอบสามารถแสวงความแตกต่างของฟังก์ชันวัตถุประสงค์ สำเร็จ โดย reprogramming โครงสร้างผลตอบแทนก็

ผลลัพธ์ (ไทย) 3:

โรงแรมแห่งนี้ตามแนวยาวตามขั้นตอนไม่ใช้อาจทำให้เกิดความเสียหายที่สำคัญการโต้ตอบกันระหว่างแอททริบิว(เช่นแอตทริบิวต์, TX อยู่ตามลำพังอัตราผลตอบแทนที่ ประสิทธิภาพ สูงสุดในการทำงานตัวจัดตารางเวลาในระหว่างย้ำ 1 ,แต่การรวมตัวกัน< TY , TZ >อาจมีระดับ superior first class กว่า<, TX , TK :>สำหรับ 1 :≤ K ≠ X :≤ N )ซึ่งเราทดลองว่ามีความสำคัญในบริบทของเรา.ในรายงานนี้เราจะนำเสนอ multifactor แนวทางที่จะนำไปยังแอคเคาท์ ไฟร์  RST - การสั่งซื้อแอตทริบิวต์ interactions. 6 ในช่วงปลายของที่ ไฟร์  RST ย้ำ,เรารับสองแอตทริบิวต์ที่ด้านบนและสำรวจที่ทำให้ทั้งสองได้พร้อมกันทุกสาขา;ที่ที่สองย้ำให้เราอีกครั้งเวลารับที่ด้านบนทั้งสองแอตทริบิวต์ในแต่ละสาขาของสอง,และเดินลงไปสี่สาขา;เป็นต้นข้อเสียที่เห็นได้ชัดของวิธีการนี้คือการที่จำนวนการจำลองมีจำนวนสูงกว่าสำหรับ n = 50 และ I = 6 วิธีการของเราสำหรับอัตราผลตอบแทนในการสั่งซื้อของ 8,600 การจำลองการใช้แอปพลิเคชันการฝึกอบรมเดียวกันกับที่สามต่อจุดการออกแบบ อย่างไรก็ตามการเลือกคุณสมบัติเป็นความพยายามครั้งที่ทำให้การออกแบบที่เวลา 7 ส่งผลให้แอตทริบิวต์ที่อยู่ในหลักการเชื่อมโยงกับ สันติภาพ ในการทำงานโดยมีเป้าหมายที่กลุ่มเป้าหมายในการจำลองที่ ในส่วนที่ 4 อย่างไรก็ตาม
เราจะแสดงให้เห็นว่าการออกแบบอย่างระมัดระวังการฝึกอบรมจะสามารถรับมือกับความแตกต่างของการจัดงานโดยมีวัตถุประสงค์เพื่อให้แขกที่เรียบง่ายโดยโครงสร้างรางวัล.
เสร็จสมบูรณ์แล้ว