بررسی روش یادگیری انتقالی جهت پیش‌بینی پیوند

چکیده - پیش‌بینی پیوند در بسیاری از برنامه‌های کاربردی مانند سیستم‌های توصیه یک روش کلیدی است، در پیوندهای بالقوه بین کاربران و آیتم‌ها نیاز به پیش‌بینی وجود دارد. چالش اصلی در پیش‌بینی پیوند مسئله پراکندگی داده است. در این مقاله، ما به این مسئله می‌پردازیم با در نظر گرفتن چندین وظایف پیش‌بینی پیوند ناهمگن مانند پیش‌بینی پیوندهای بین کاربران و انواع مختلف موارد از جمله کتاب، فیلم و آهنگ، مسئله پیش‌بینی پیوند جمعی (CLP) می‌پردازیم. برای حل مسئله CLP چارچوبی غیرپارامتری بیزی را پیشنهاد می‌کنیم که امکان انتقال دانش را در طول انجام وظایف ناهمگن بین وظایف و شباهت بین-کارها را به صورت خودکار یاد بگیرد را می‌دهد. ما همچنین توابع پیوند را برای وظایف مختلف برای اصلاح سوگیری و انحراف آنها از توزیع در داده‌های پیوند آنها معرفی می‌کنیم.

پزشکی شبکه

پزشکی شبکه[1] کاربرد علم شبکه[2] در جهت شناسایی، پیشگیری و معالجه بیماری‏ها است. این زمینه بر استفاده از توپولوژی شبکه[3] و پویایی شبکه[4] در جهت شناسایی بیماری‏ها و تولید داروهای پزشکی متمرکز است. شبکه‏های بیولوژیکی‏، مانند فعل و انفعالات پروتئین-پروتئین[5] و مسیرهای متابولیکی[6]، توسط پزشکی شبکه استفاده می‏شود. شبکه‏های بیماری[7]، که روابط بین بیماری‏ ها و عوامل بیولوژیکی را ترسیم می ‏کنند، نیز نقش مهمی در این زمینه دارند. اپیدمیولوژی با استفاده از علم شبکه نیز به طور گسترده مورد مطالعه قرار می‏گیرد. شبکه‏های اجتماعی و شبکه‏های حمل و نقل[8] برای مدل‏سازی شیوع بیماری در بین جمعیت استفاده می‏شود. پزشکی شبکه یک منطقه پزشکی متمرکز در زیست‏شناسی سیستم[9] است. معرفی این رشته را می ‏توان در اینجا یافت: https://web.uniroma1.it/stitch/node/5613

جستجوی ترکیبی با کاهش همسایگی برای مسئله چند فروشنده دوره گرد

چکیده

ما یک الگوریتم ترکیبی موثر با کاهش همسایگی برای حل مسئله چند فروشنده دوره گرد (mTSP) ارائه می‌کنیم. اهداف این مشکل بهینه سازی یکی از دو هدف می باشد: به حداقل رساندن کل مسافت طی شده (حداقل mTSP) یا به طولانی ترین تور را به حداقل برساند (حداکثر mTSP). الگوریتم پیشنهادی هیبرید می شود بهینه سازی بین-تورها با جستجوی محله کارآمد بر اساس جستجوی تابو و بهینه سازی درون توری با استفاده از EAX اکتشافی فروشنده دوره گرد. اختصاص داده شده استراتژی کاهش محلی برای جلوگیری از بررسی راه حل های نامزد غیر امیدبخش و در نتیجه سرعت بخشیدن به جستجوی محلی معرفی شده است. نتایج آزمایش‌های محاسباتی گسترده بر روی 41 نمونه محبوب منابع و 36 نمونه بزرگ جدید از چندین مورد نشان داده شده است. مقایسه با روش های پیشرفته در ادبیات، رقابت پذیری بالای الگوریتم پیشنهادی را نشان می دهد. آزمایش‌های اضافی در مورد اعمال یک اکتشافی TSP کلاسیک به mTSP حداقل نمونه ها نتایج عالی را نشان می دهند.

کلمات کلیدی: فروشنده دوره گرد; چند فروشنده دوره گرد؛ اکتشافی ترکیبی