Servizio Comunitario di Informazione in materia di Ricerca e Sviluppo - CORDIS

FP7

SublinearOptML Risultato in breve

Project ID: 276840
Finanziato nell'ambito di: FP7-PEOPLE
Paese: Israele

Migliorare gli algoritmi di ottimizzazione

In molti problemi moderni e, in particolare, in quelli derivanti dall’apprendimento automatico, la quantità di dati è troppo grande per applicare algoritmi di ottimizzazione standard. Gli scienziati finanziati dall’UE hanno sviluppato nuovi algoritmi che si basano su una frazione dei dati di ingresso, al fine di ridurre i tempi di esecuzione.
Migliorare gli algoritmi di ottimizzazione
I registri relativi al traffico Internet e le transazioni finanziarie sono solo due esempi di grossi insiemi di dati che compaiono sempre più spesso in molte applicazioni. L’analisi e la gestione di tali insiemi di dati obbligano gli scienziati a riconsiderare gli approcci convenzionali per lo sviluppo di algoritmi di ottimizzazione efficienti.

Gli algoritmi di ottimizzazione vengono utilizzati per valutare la progettazione trade-off e identificare degli schemi negli insiemi di dati. Gli algoritmi di apprendimento automatico spesso tentano di identificare le caratteristiche che aiutano nell’attività di classificazione. Trovare il più piccolo insieme di funzionalità con il più grande valore predittivo costituisce un problema di ottimizzazione.

Gli scienziati del progetto SUBLINEAROPTML (Sublinear optimization for machine learning), finanziato dall’UE, hanno sviluppato algoritmi eseguiti in tempo sublineare al fine di risolvere tali problemi di ottimizzazione. Questi si basano su una combinazione di tecniche di campionamento avanzate e una realizzazione randomizzata di algoritmi di apprendimento online.

Gli algoritmi di apprendimento online eseguono una previsione per ogni elemento presente in un flusso di dati, e successivamente alla ricezione di un feedback, la loro precisione migliora per le stime successive. A differenza dell’apprendimento automatico statistico, tali algoritmi non formulano ipotesi circa i dati di ingresso.

I nuovi algoritmi utilizzano la randomizzazione per sfoltire i dati e produrre soluzioni corrette nonostante tempi di esecuzione inferiori rispetto alla rappresentazione dei dati: i cosiddetti tempi sublineari. Gli scienziati del progetto hanno dimostrato che i tempi di esecuzione della maggior parte di questi algoritmi sono i migliori che si possono ottenere, nei modelli con memoria ad accesso casuale (RAM).

Gli algoritmi del progetto possono essere estesi anche alle versioni kernel di tali problemi, tra cui i problemi di ottimizzazione delle macchine a vettori di supporto, per i quali non erano disponibili solutori a tempo sublineare. Questi progressi nell’apprendimento automatico sono stati presentati in diverse conferenze internazionali.

Il progetto SUBLINEAROPTML ha prodotto un metodo potenzialmente più efficiente per consentire ai computer di risolvere alcuni dei più difficili problemi di ottimizzazione che si trovano ad affrontare. Un giorno, i router potrebbero utilizzare i nuovi algoritmi per calcolare il percorso più veloce attraverso una rete intasata.

Informazioni correlate

Keywords

Algoritmi di ottimizzazione, apprendimento automatico, grandi insiemi di dati, problema di ottimizzazione, algoritmi di apprendimento
Numero di registrazione: 180941 / Ultimo aggiornamento: 2016-04-05
Dominio: Tecnologie industriali