Data Mining Algorithmen, die mittels direkten Stichprobenziehungen aus dem Musterraum ein effktives und kontrolliertes Laufzeitverhalten aufweisen.

通过从样本空间直接采样来实现有效且受控的运行时行为的数据挖掘算法。

• 批准号: 191169928
• 负责人: Professor Dr. Thomas Gärtner
• 金额: --
• 依托单位: Informatik 3: Informationssysteme und Künstliche Intelligenz
• 依托单位国家: 德国
• 项目类别: Research Grants
• 财政年份: 2011
• 资助国家: 德国
• 起止时间: 2010-12-31 至 2016-12-31
• 项目状态: 已结题
• 来源: https://gepris.dfg.de/gepris/projekt/191169928?language=en
• 关键词: Data; Mining; Algorithmen; die; mittels

Data Mining wird in praktischen Anwendungen oft eingesetzt, um interessante Muster und Regelmäßigkeiten zu entdecken, die in großen Datenbeständen versteckt sind. State-of-the-art Methoden listen dazu alle potentiell interessanten Muster erschöpfend auf, die durch bestimmte Parametereinstellungen spezifiziert werden. So wird zwar garantiert, alle interessanten Muster zu finden, die dazu benötigte Berechnungszeit ist allerdings praktisch unbeschränkt, denn der empfindliche Zusammenhang zwischen den Parametereinstellungen und der Anzahl der aufzuzählenden Muster intransparent ist. In diesem Projekt werden wir Algorithmen entwickeln, die, anstatt eine große Menge von Mustern erschöpfend aufzuzählen, einzelne interessante Muster zufällig generieren. Dazu werden wir Markov-Ketten-Monte-Carlo-Sampling in Kombination mit Techniken wie dem sequentiellen Eingabesampling einsetzen, um einerseits mit hoher Wahrscheinlichkeit interessante Muster zu generieren und andererseits eine praktikable und prognostizierbare Antwortzeit zu erreichen. Dieses fundamental neue Paradigma zur Musterentdeckung hat den weiteren Vorteil, dass es interaktive Prozesse ermöglicht, während denen der zugrundeliegende Interessantheitsbegriff abhängig von Nutzerfeedback iterativ verfeinert wird.

Data Mining wird in praktischen Anwendungen often eingesetzt，um interessante Muster und Regelmäßigkeiten zu entdecken，die in greßen Datenbeständen versteckt sind.国家的最先进的方法听所有潜在的兴趣集中起来，通过最好的参数设置特定的韦尔登。因此，我们可以确保，所有感兴趣的集合都是不透明的，因为需要对参数进行调整，并对增强集合的操作进行不透明的调整。在这个韦尔登项目中，我们开始了一个大项目，一个有趣的项目。韦尔登采用马尔可夫-凯顿-蒙特-卡罗组合抽样法，采用顺序抽样的方法，以最佳的Wahrscheinlichkeit interessant Muster zu generieren和dererseits eine practitable and stizierbare Antwortzeit zu erreichen。这是一个新的基本范式，它使交互过程变得更加有效，从而使交互过程变得更加复杂。