Static Load Balancing of Parallel Mining of Frequent Itemsets Using Reservoir Sampling

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F11%3A00368102" target="_blank" >RIV/67985807:_____/11:00368102 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-642-23199-5_41" target="_blank" >http://dx.doi.org/10.1007/978-3-642-23199-5_41</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-642-23199-5_41" target="_blank" >10.1007/978-3-642-23199-5_41</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Static Load Balancing of Parallel Mining of Frequent Itemsets Using Reservoir Sampling

Popis výsledku v původním jazyce

In this paper, we present a novel method for parallelization of an arbitrary depth-first search (DFS in short) algorithm for mining of all FIs. The method is based on the so called reservoir sampling algorithm. The reservoir sampling algorithm in combination with an arbitrary DFS mining algorithm executed on a database sample takes an uniformly but not independently distributed sample of all FIs using the reservoir sampling. The sample is then used for static load-balancing of the computational load ofa DFS algorithm for mining of all FIs.

Název v anglickém jazyce

Static Load Balancing of Parallel Mining of Frequent Itemsets Using Reservoir Sampling

Popis výsledku anglicky

In this paper, we present a novel method for parallelization of an arbitrary depth-first search (DFS in short) algorithm for mining of all FIs. The method is based on the so called reservoir sampling algorithm. The reservoir sampling algorithm in combination with an arbitrary DFS mining algorithm executed on a database sample takes an uniformly but not independently distributed sample of all FIs using the reservoir sampling. The sample is then used for static load-balancing of the computational load ofa DFS algorithm for mining of all FIs.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

<a href="/cs/project/GAP202%2F10%2F1333" target="_blank" >GAP202/10/1333: NoSCoM: Nestandardní výpočetní modely a jejich aplikace ve složitosti, lingvistice a učení</a><br>

Návaznosti

Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění

2011

Kód důvěrnosti údajů

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

Název statě ve sborníku

Machine Learning and Data Mining in Pattern Recognition

ISBN

978-3-642-23198-8

ISSN

—

e-ISSN

—

Počet stran výsledku

15

Strana od-do

553-567

Název nakladatele

Springer

Místo vydání

Berlin

Místo konání akce

New York

Datum konání akce

30. 8. 2011

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—