Nov, 2022

学习型布隆过滤器中分类器选择的关键分析

PDF
TL;DR提出一种用于设计、分析和实现 “Learned Bloom Filters” 的新方法，并结合分类器和数据集进行了性能评估，我们的实验表明，这种方法和软件可以有效地帮助确定最佳的分类器和最适合不同数据复杂度问题的 “Learned Bloom Filters” 的类型。
learned bloom filtersmachine learningperformance assessmentclassifierdata complexity
发现论文，激发创造
  • 学习式布隆过滤器模型及夹心优化

    本文研究了基于机器学习的预处理器对 Bloom 过滤器的增强，并提出了一种优化学习到的布隆过滤器性能的方法，最终提出了一种设计和分析方法来定义 learned Bloomier filter。

    Jan, 2019

  • 通过夹层法优化学习布隆过滤器

    本文提出一种简单方法用于提高学习型 Bloom 过滤器的性能，即将学习功能夹在两个 Bloom 过滤器之间以实现更好的性能。

    Mar, 2018

  • 元学习神经布隆过滤器

    本文探讨通过元学习一次性实现近似集合成员关系的学习，提出了一种新的记忆体架构，神经布隆过滤器（Neural Bloom Filter）可以在经典布隆过滤器和现有的内存增强神经网络上实现显著的压缩增益。

    Jun, 2019

  • Bloomier Filters: 二次审视

    本文提出了一种线性空间和常数时间可评估的 Bloomier 过滤器，并展示了如何在牺牲时间的代价下提高空间利用率。

    Jul, 2008

  • 对抗环境下的布隆过滤器

    本研究通过引入敌对模型，研究了布隆过滤器在不同 adversary 情况下的表现，并证明了它与密码学的紧密联系。

    Dec, 2014

  • 直觉模糊广义学习系统：提高对噪声和异常值的鲁棒性

    通过引入模糊学中的模糊成员值和非成员值来评分高维特征空间中的训练样本，我们提出了一种模糊 BLS（F-BLS）模型和基于直觉模糊理论的 BLS（IF-BLS）模型，这两种模型在噪声和离群点方面表现出优秀的泛化性能，并在实际应用中证明其有效性。

    Jul, 2023

  • 分类器数据质量：一种基于几何复杂度的自动基线和见解生成方法

    该研究开发了复杂度量度，可用于量化观测数据的分类复杂度并确定基准性能阈值，其有效突出可能被错误分类的数据区域和观测数据。

    Dec, 2021

  • 分类问题的复杂程度如何？关于分类复杂度测量的调查

    本文介绍从训练数据集中提取的能用于特征描述的分类复杂度的测量方法，包括数据的空间分布、决策边界的形状和大小等。同时，分析了这些特征在最新研究中的应用以及未来的工作机会，并介绍了一个名为 Extended Complexity Library (ECoL) 的 R 包，该包实现了一套复杂度测量方法并对公众开放。

    Aug, 2018

  • 分类器中的显著性预测偏差识别

    介绍了一种新颖的子集扫描方法，用于检测统计学显著的偏差或区域，以及识别分类器偏差或预测不良的特征子集，该方法使用基于子集扫描和参数引导的方法处理了指数级可能的子集。

    Nov, 2016

  • 记忆分类器：机器学习中的鲁棒性双阶段分类

    本研究提出了一种新的分类方法，称为 Memory Classifiers，通过结合高级数据结构和专家知识，识别出典型数据点，再在每个类别中学习细分特征的本地分类器，以提高机器学习模型的鲁棒性和泛化能力，实验证明，该方法可超越标准数据增强技术。

    Jun, 2022