Evolutionary algorithms for fast parallel classification
Identifikátory výsledku
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>
Alternativní jazyky
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.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
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
Ostatní
Rok uplatnění
2016
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
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
—