Экстремальное ансамблевое обучение - Extremal Ensemble Learning

Экстремальное ансамблевое обучение (EEL) это машинное обучение алгоритмическая парадигма для разбиение графа. EEL создает ансамбль разделов, а затем использует информацию, содержащуюся в ансамбле, для поиска новых и улучшенных разделов. Ансамбль развивается и учится формировать улучшенные перегородки с помощью экстремальный процедура обновления. Окончательное решение находится путем достижения консенсус среди входящих в него разделов о том, какой раздел является оптимальным.[1][2]

Уменьшенное изучение сетевого экстремального ансамбля (RenEEL)

Частной реализацией парадигмы EEL является схема сокращенного сетевого экстремального ансамблевого обучения (RenEEL) для разбиения графа.[1] RenEEL использует консенсус для многих разделов в ансамбле, чтобы создать сокращенную сеть, которую можно эффективно проанализировать для поиска более точных разделов. Эти более качественные перегородки впоследствии используются для обновления ансамбля. Алгоритм, использующий схему RenEEL, в настоящее время является лучшим алгоритмом для поиска раздела графа с максимальным модульность, что является NP-сложная задача.[3]

использованная литература

  1. ^ а б Дж. Го; П. Сингх; К.Э. Басслер (2019). «Схема сокращенного сетевого экстремального ансамблевого обучения (RenEEL) для обнаружения сообществ в сложных сетях». Научные отчеты. 9 (14234): 14234. arXiv:1909.10491. Bibcode:2019НатСР ... 914234Г. Дои:10.1038 / s41598-019-50739-3. ЧВК  6775136. PMID  31578406.
  2. ^ Поликар Р. (2006). «Ансамблевые системы в принятии решений». Журнал IEEE Circuits and Systems Magazine. 6 (3): 21–45. Дои:10.1109 / MCAS.2006.1688199. S2CID  18032543.
  3. ^ Ньюман, М. Э. Дж. (2006). «Модульность и структура сообщества в сетях». Труды Национальной академии наук Соединенных Штатов Америки. 103 (23): 8577–8696. arXiv:физика / 0602124. Bibcode:2006ПНАС..103.8577Н. Дои:10.1073 / pnas.0601602103. ЧВК  1482622. PMID  16723398.