Probabilistic Bounds for Binary Classification of Large Data Sets
Identifikátory výsledku
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>
Alternativní jazyky
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).
Klasifikace
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)
Návaznosti výsledku
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
Ostatní
Rok uplatnění
2020
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
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
—