Evolutionary algorithms for fast parallel classification

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27240%2F16%3A86099075" target="_blank" >RIV/61989100:27240/16:86099075 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/61989100:27740/16:86099075

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-319-26227-7_62" target="_blank" >http://dx.doi.org/10.1007/978-3-319-26227-7_62</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-319-26227-7_62" target="_blank" >10.1007/978-3-319-26227-7_62</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Evolutionary algorithms for fast parallel classification

Popis výsledku v původním jazyce

The classification tries to assign the best category to given unknown records based on previous observations. It is clear that with the growing amount of data, any classification algorithm can be very slow. The learning speed of many developed state-of-the-art algorithms like deep neural networks or support vector machines is very low. Evolutionary-based approaches in classification have the same problem.This paper describes five different evolutionary-based approaches that solve the classification problem and run in real time. This was achieved by using GPU parallelization. These classifiers are evaluated on two collections that contains millions of records. The proposed parallel approach is much faster and preserve the same precision as a serial version. (C) Springer International Publishing Switzerland 2016.

Název v anglickém jazyce

Evolutionary algorithms for fast parallel classification

Popis výsledku anglicky

The classification tries to assign the best category to given unknown records based on previous observations. It is clear that with the growing amount of data, any classification algorithm can be very slow. The learning speed of many developed state-of-the-art algorithms like deep neural networks or support vector machines is very low. Evolutionary-based approaches in classification have the same problem.This paper describes five different evolutionary-based approaches that solve the classification problem and run in real time. This was achieved by using GPU parallelization. These classifiers are evaluated on two collections that contains millions of records. The proposed parallel approach is much faster and preserve the same precision as a serial version. (C) Springer International Publishing Switzerland 2016.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

<a href="/cs/project/ED1.1.00%2F02.0070" target="_blank" >ED1.1.00/02.0070: Centrum excelence IT4Innovations</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2016

Kód důvěrnosti údajů

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

Název statě ve sborníku

Advances in Intelligent Systems and Computing. Volume 403

ISBN

978-3-319-26225-3

ISSN

2194-5357

e-ISSN

—

Počet stran výsledku

12

Strana od-do

659-670

Název nakladatele

Springer Verlag

Místo vydání

London

Místo konání akce

Wrocław

Datum konání akce

25. 5. 2015

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—