دانلود مقاله انگلیسی رایگان:تجزیه و تحلیل داده های بزرگ حفظ شده با حفظ حریم خصوصی بر اساس هسته تقلبی نامتقارن و شباهت های چندگانه - 2018

دانلود بهترین مقالات isi همراه با ترجمه فارسی

کارابرن عزیز، مقالات isi بالاترین کیفیت ترجمه را دارند، ترجمه آنها کامل و دقیق می باشد (محتوای جداول و شکل های نیز ترجمه شده اند) و از بهترین مجلات isi انتخاب گردیده اند. همچنین تمامی ترجمه ها دارای ضمانت کیفیت بوده و در صورت عدم رضایت کاربر مبلغ عینا عودت داده خواهد شد.

پشتیبانی
اپلیکشن اندروید
آرشیو مقالات
ورود اعضا
توجه توجه توجه !!!!
تمامی مقالات ترجمه شده ، انگلیسی و کتاب های این سایت با دقت تمام انتخاب شده اند. در انتخاب مقالات و کتاب ها پارامترهای جدید بودن، پر جستجو بودن، درخواست کاربران ، تعداد صفحات و ... لحاظ گردیده است. سعی بر این بوده بهترین مقالات در هر زمینه انتخاب و در اختیار شما کاربران عزیز قرار گیرد. ضمانت ما، کیفیت ماست.
نرم افزار winrar

از نرم افزار winrar برای باز کردن فایل های فشرده استفاده می شود. برای دانلود آن بر روی لینک زیر کلیک کنید
دانلود

پیوندهای کاربردی
پیوندهای مرتبط
دانلود مقاله انگلیسی داده های بزرگ رایگان
  • Privacy-preserved big data analysis based on asymmetric imputation kernels and multiside similarities Privacy-preserved big data analysis based on asymmetric imputation kernels and multiside similarities
    Privacy-preserved big data analysis based on asymmetric imputation kernels and multiside similarities

    سال انتشار:

    2018


    عنوان انگلیسی مقاله:

    Privacy-preserved big data analysis based on asymmetric imputation kernels and multiside similarities


    ترجمه فارسی عنوان مقاله:

    تجزیه و تحلیل داده های بزرگ حفظ شده با حفظ حریم خصوصی بر اساس هسته تقلبی نامتقارن و شباهت های چندگانه


    منبع:

    Future Generation Computer Systems 78 (2018) 859–866Sciencedirect - Elsevier -


    نویسنده:

    Bo-Wei Chen a, Seungmin Rho b, Laurence T. Yang c,d, Yu Gu e,∗


    چکیده انگلیسی:

    This study presents an efficient approach for incomplete data classification, where the entries of samples are missing or masked due to privacy preservation. To deal with these incomplete data, a new kernel function with asymmetric intrinsic mappings is proposed in this study. Such a new kernel uses three-side similarities for kernel matrix formation. The similarity between a testing instance and a training sample relies not only on their distance but also on the relation between the testing sample and the centroid of the class, where the training sample belongs. This reduces biased estimation compared with typical methods when only one training sample is used for kernel matrix formation. Furthermore, centroid generation does not involve any clustering algorithms. The proposed kernel is capable of performing data imputation by using class-dependent averages. This enhances Fisher Discriminant Ratios and data discriminability. Experiments on two open databases were carried out for evaluating the proposed method. The result indicated that the accuracy of the proposed method was higher than that of the baseline. These findings thereby demonstrated the effectiveness of the proposed idea.
    Keywords: Incomplete data analysis ، Partial similarity ، Multiside similarity ، Privacy preservation ، Kernel ridge Regression (KRR) ، Missing values ، Data imputation ، Kernel method ، Cloud computing ، Data analytics


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 8
    حجم فایل: 1342 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




آرشیو کامل مقالات

اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

این مقاله را در فیس بوک به اشتراک بگذارید این مقاله را در توییتر به اشتراک بگذارید این مقاله را در لینکداین به اشتراک بگذارید این مقاله را در گوگل پلاس به اشتراک بگذارید این مقاله را در زینگ به اشتراک بگذارید این مقاله را در تلگرام به اشتراک بگذارید

تعداد نظرات : 0

الزامی
الزامی
الزامی
داده-های-بزرگ
موضوعات
footer