Probabilistic Bounds for Binary Classification of Large Data Sets

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F20%3A00503127" target="_blank" >RIV/67985807:_____/20:00503127 - isvavai.cz</a>

Výsledek na webu

<a href="http://dx.doi.org/10.1007/978-3-030-16841-4_32" target="_blank" >http://dx.doi.org/10.1007/978-3-030-16841-4_32</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-030-16841-4_32" target="_blank" >10.1007/978-3-030-16841-4_32</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Probabilistic Bounds for Binary Classification of Large Data Sets

Popis výsledku v původním jazyce

A probabilistic model for classification of task relevance is investigated. Correlations between randomly-chosen functions and network input-output functions are estimated. Impact of large data sets is analyzed from the point of view of the concentration of measure phenomenon. The Azuma-Hoeffding Inequality is exploited, which can be applied also when the naive Bayes assumption is not satisfied (i.e., when assignments of class labels to feature vectors are not independent).

Název v anglickém jazyce

Probabilistic Bounds for Binary Classification of Large Data Sets

Popis výsledku anglicky

A probabilistic model for classification of task relevance is investigated. Correlations between randomly-chosen functions and network input-output functions are estimated. Impact of large data sets is analyzed from the point of view of the concentration of measure phenomenon. The Azuma-Hoeffding Inequality is exploited, which can be applied also when the naive Bayes assumption is not satisfied (i.e., when assignments of class labels to feature vectors are not independent).

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)

Projekt

<a href="/cs/project/GA18-23827S" target="_blank" >GA18-23827S: Schopnosti a omezení mělkých a hlubokých sítí</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2020

Kód důvěrnosti údajů

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

Název statě ve sborníku

Recent Advances in Big Data and Deep Learning

ISBN

978-3-030-16840-7

ISSN

2661-8141

e-ISSN

—

Počet stran výsledku

11

Strana od-do

309-319

Název nakladatele

Springer

Místo vydání

Cham

Místo konání akce

Sestri Levante

Datum konání akce

16. 4. 2019

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—