Static Load Balancing of Parallel Mining of Frequent Itemsets Using Reservoir Sampling
Identifikátory výsledku
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>
Alternativní jazyky
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.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
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)
Ostatní
Rok uplatnění
2011
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
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
—