Ensemble Learning of Run-Time Prediction Models for Data-Intensive Scientific Workflows

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F14%3A00221325" target="_blank" >RIV/68407700:21230/14:00221325 - isvavai.cz</a>

Výsledek na webu

<a href="http://link.springer.com/chapter/10.1007/978-3-662-45483-1_7" target="_blank" >http://link.springer.com/chapter/10.1007/978-3-662-45483-1_7</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1007/978-3-662-45483-1_7" target="_blank" >10.1007/978-3-662-45483-1_7</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Ensemble Learning of Run-Time Prediction Models for Data-Intensive Scientific Workflows

Popis výsledku v původním jazyce

This paper proposes a novel approach that enables the construction models for predicting task?s running-times of data-intensive scientific workflows. Ensemble Machine Learning techniques are used to produce robust combined models with high predictive accuracy. Information derived from workflow systems and the characteristics and provenance of the data are exploited to guarantee the accuracy of the models. The proposed approach has been tested on Bioinformatics workflows for Gene Expressions Analysis over homogeneous and heterogeneous computing environments.

Název v anglickém jazyce

Ensemble Learning of Run-Time Prediction Models for Data-Intensive Scientific Workflows

Popis výsledku anglicky

This paper proposes a novel approach that enables the construction models for predicting task?s running-times of data-intensive scientific workflows. Ensemble Machine Learning techniques are used to produce robust combined models with high predictive accuracy. Information derived from workflow systems and the characteristics and provenance of the data are exploited to guarantee the accuracy of the models. The proposed approach has been tested on Bioinformatics workflows for Gene Expressions Analysis over homogeneous and heterogeneous computing environments.

Druh

D - Stať ve sborníku

CEP obor

JC - Počítačový hardware a software

OECD FORD obor

—

Projekt

<a href="/cs/project/MEB111005" target="_blank" >MEB111005: Data mining v prostředí distribuovaných výpočtů</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2014

Kód důvěrnosti údajů

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

Název statě ve sborníku

High Performance Computing

ISBN

978-3-662-45482-4

ISSN

1865-0929

e-ISSN

—

Počet stran výsledku

15

Strana od-do

83-97

Název nakladatele

Springer

Místo vydání

Heidelberg

Místo konání akce

Valparaíso

Datum konání akce

20. 10. 2014

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

000345074900007