Non-metric similarity search using genetic TriGen

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F19%3A10407733" target="_blank" >RIV/00216208:11320/19:10407733 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/68407700:21240/19:00335054

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-030-32047-8_8" target="_blank" >http://dx.doi.org/10.1007/978-3-030-32047-8_8</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-030-32047-8_8" target="_blank" >10.1007/978-3-030-32047-8_8</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Non-metric similarity search using genetic TriGen

Popis výsledku v původním jazyce

The metric space model is a popular and extensible model for indexing data for fast similarity search. However, there is often need for broader concepts of similarities (beyond the metric space model) while these cannot directly benefit from metric indexing. This paper focuses on approximate search in semi-metric spaces using a genetic variant of the TriGen algorithm. The original TriGen algorithm generates metric modifications of semi-metric distance functions, thus allowing metric indexes to index non-metric models. However, &quot;analytic&quot; modifications provided by TriGen are not stable in predicting the retrieval error. In our approach, the genetic variant of TriGen - the TriGenGA - uses genetically learned semi-metric modifiers (piecewise linear functions) that lead to better estimates of the retrieval error. Additionally, the TriGenGA modifiers result in better overall performance than original TriGen modifiers.

Název v anglickém jazyce

Non-metric similarity search using genetic TriGen

Popis výsledku anglicky

The metric space model is a popular and extensible model for indexing data for fast similarity search. However, there is often need for broader concepts of similarities (beyond the metric space model) while these cannot directly benefit from metric indexing. This paper focuses on approximate search in semi-metric spaces using a genetic variant of the TriGen algorithm. The original TriGen algorithm generates metric modifications of semi-metric distance functions, thus allowing metric indexes to index non-metric models. However, &quot;analytic&quot; modifications provided by TriGen are not stable in predicting the retrieval error. In our approach, the genetic variant of TriGen - the TriGenGA - uses genetically learned semi-metric modifiers (piecewise linear functions) that lead to better estimates of the retrieval error. Additionally, the TriGenGA modifiers result in better overall performance than original TriGen modifiers.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/GA17-22224S" target="_blank" >GA17-22224S: Analytika uživatelských preferencí v modelech multimediální explorace</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2019

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Lecture Notes in Computer Science

ISBN

978-3-030-32046-1

ISSN

—

e-ISSN

—

Počet stran výsledku

8

Strana od-do

86-93

Název nakladatele

Springer International Publishing

Místo vydání

Cham

Místo konání akce

Newark NJ, USA

Datum konání akce

2. 10. 2019

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—