Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Approximate Search in Dissimilarity Spaces using GA

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F19%3A10407738" target="_blank" >RIV/00216208:11320/19:10407738 - isvavai.cz</a>

  • Nalezeny alternativní kódy

    RIV/68407700:21240/19:00333570

  • Výsledek na webu

    <a href="http://dx.doi.org/10.1145/3319619.3321907" target="_blank" >http://dx.doi.org/10.1145/3319619.3321907</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.1145/3319619.3321907" target="_blank" >10.1145/3319619.3321907</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Approximate Search in Dissimilarity Spaces using GA

  • Popis výsledku v původním jazyce

    Nowadays, the metric space properties limit the methods of indexing for content-based similarity search. The target of this paper is a data-driven transformation of a semimetric model to a metric one while keeping the data indexability high. We have proposed a genetic algorithm for evolutionary design of semimetric-to-metric modifiers. The precision of our algorithm is near the specified error threshold and indexability is still good. The paper contribution is a proof of concept showing that genetic algorithms can effectively design semimetric modifiers applicable in similarity search engines.

  • Název v anglickém jazyce

    Approximate Search in Dissimilarity Spaces using GA

  • Popis výsledku anglicky

    Nowadays, the metric space properties limit the methods of indexing for content-based similarity search. The target of this paper is a data-driven transformation of a semimetric model to a metric one while keeping the data indexability high. We have proposed a genetic algorithm for evolutionary design of semimetric-to-metric modifiers. The precision of our algorithm is near the specified error threshold and indexability is still good. The paper contribution is a proof of concept showing that genetic algorithms can effectively design semimetric modifiers applicable in similarity search engines.

Klasifikace

  • 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)

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/GA19-01641S" target="_blank" >GA19-01641S: Kontextové podobnostní vyhledávání v otevřených datech</a><br>

  • Návaznosti

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

Ostatní

  • Rok uplatnění

    2019

  • Kód důvěrnosti údajů

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

Údaje specifické pro druh výsledku

  • Název statě ve sborníku

    GECCO &apos;19: Proceedings of the Genetic and Evolutionary Computation Conference Companion

  • ISBN

    978-1-4503-6748-6

  • ISSN

  • e-ISSN

  • Počet stran výsledku

    2

  • Strana od-do

    279-280

  • Název nakladatele

    ACM

  • Místo vydání

    New York

  • Místo konání akce

    Prague

  • Datum konání akce

    13. 7. 2019

  • Typ akce podle státní příslušnosti

    WRD - Celosvětová akce

  • Kód UT WoS článku