“kümeleme algoritması” için sonuçlar
5 sonuç bulundu. Sonuçları kategoriye göre daraltabilirsin.
Eksik Verilerde Sınıflandırma Sorunu için Yeni Kümeleme Algoritması
Araştırmacılar, makine öğrenmesinde karşılaşılan önemli bir soruna çözüm geliştirdi. PU sınıflandırma olarak bilinen bu problemde, sadece pozitif örnekler ve etiketlenmemiş veriler bulunuyor. Yeni algoritma, 2-ortalama kümeleme tekniğini kullanarak verileri temizliyor ve ardından lojistik regresyon uygulayarak sınıflandırma yapıyor. Geleneksel yöntemlerin aksine, bu yaklaşım SCAR koşulunun ihlal edildiği durumlarda bile etkili çalışabiliyor. 11 gerçek veri seti ve sentetik veriler üzerinde yapılan testler, algoritmanın başarılı olduğunu gösterdi.
Büyük Veri Kümeleme Probleminde Paralel Hesaplama Atılımı
Araştırmacılar, büyük veri kümelerini kümelere ayırma işleminde kullanılan k-merkez algoritmasını paralel hesaplama ortamında daha verimli hale getiren yeni bir yaklaşım geliştirdi. Massively Parallel Computation (MPC) modelinde çalışan bu algoritma, özellikle çok sayıda küme oluşturulması gereken durumlarda bellek kullanımını önemli ölçüde azaltıyor. Klasik k-merkez problemi, veri noktalarını k adet kümeye ayırarak her kümenin merkezinden en uzak noktaya olan mesafeyi minimize etmeyi hedefler. Mevcut paralel algoritmalar büyük k değerleri için fazla bellek gerektirirken, yeni yaklaşım sabit boyutlu Öklid uzayında daha az yerel bellek kullanarak scalable bir çözüm sunuyor. Bu gelişme, büyük veri analizi ve makine öğrenmesi uygulamalarında önemli pratik faydalar sağlayabilir.
Adil Kümeleme Algoritmaları: Demografik Eşitlik İçin Yeni Matematiksel Yaklaşım
Araştırmacılar, demografik adalet ilkelerini gözeten kümeleme problemleri için yeni algoritma geliştirdi. Çalışma, hem grup adaleti hem de çeşitli merkez seçimi kriterlerini aynı anda sağlayan k-merkez, k-medyan ve k-ortalama problemlerine odaklanıyor. Geliştirilen yaklaşım, korumalı öznitelikler içeren veri noktalarını adil bir şekilde kümelere ayırırken, her kümenin hem dengeli demografik dağılıma hem de temsili merkezlere sahip olmasını garantiliyor. Bu tür algoritmaların önemi, yapay zeka uygulamalarında demografik önyargıları azaltma ve sosyal adaleti teknolojik çözümlere entegre etme konularında giderek artıyor.
Elektrik şebekelerinde tutarlı bölgeleri tanımlayan yeni algoritma geliştirildi
Güneş panelleri ve rüzgar türbinlerinin elektrik şebekesine artan entegrasyonu, sistemin frekans tepkisini öngörülmez hale getiriyor. Bu durum, farklı şebeke bölgelerinin birlikte hareket ettiği 'tutarlı bölgelerin' sınırlarını sürekli değiştiriyor. Araştırmacılar, değişken işletim koşulları altında bu kritik bölgeleri belirlemek için yeni bir konsensüs kümeleme algoritması geliştirdi. Geleneksel yöntemler sadece büyük generatör arızalarını dikkate alırken, yeni yaklaşım çok çeşitli bozulma türlerini analiz edebiliyor. Bu gelişme, giderek karmaşıklaşan elektrik şebekelerinin daha güvenli ve verimli yönetilmesini sağlayabilir.
Kümeleme Algoritmalarının Kararlılığında Yeni Matematiksel Keşif
Araştırmacılar, yapay zeka ve makine öğrenmesinde kritik olan kümeleme algoritmalarının ne kadar güvenilir olduğunu ölçen yeni bir matematiksel yaklaşım geliştirdi. En yakın merkez atama yöntemiyle oluşturulan veri gruplarının, küçük değişikliklere karşı ne kadar dayanıklı olduğunu hesaplayan bu çalışma, kararlılık yarıçapı kavramını tanımlıyor. Araştırma, veri noktaları arasındaki minimum mesafe farkının (margin) algoritmanın kararlılığını doğrudan etkilediğini matematiksel olarak kanıtlıyor. Bu bulgular, özellikle gürültülü verilerle çalışan yapay zeka sistemlerinin güvenilirliğini artırmak için önemli. Sonuçlar, makine öğrenmesi modellerinin performansını önceden tahmin etme ve daha sağlam algoritmalar tasarlama konusunda yeni olanaklar sunuyor.