با سلام خدمت کاربران در صورتی که با خطای سیستم پرداخت بانکی مواجه شدید از طریق کارت به کارت (6037997535328901 بانک ملی ناصر خنجری ) مقاله خود را دریافت کنید (تا مشکل رفع گردد).
ردیف | عنوان | نوع |
---|---|---|
1 |
Powered embarrassing parallel MCMC sampling in Bayesian inference, a weighted average intuition
Powered embarrassing parallel MCMC sampling in Bayesian inference, a weighted average intuition-2017 Although the Markov Chain Monte Carlo (MCMC) is very popular in parameter inference,
the alleviation of the burden of calculation is crucial due to the limit of processors, memory,
and disk bottleneck. This is especially true in terms of handling big data. In recent years,
researchers have developed a parallel MCMC algorithm, in which full data are partitioned
into subdatasets. Samples are drawn from the subdatasets independently at different
machines without communication. In the extant literature, all machines are deemed to
be identical. However, due to the heterogeneity of the data put into different machines,
and the random nature of MCMC, the assumption of ‘‘identical machines’’ is questionable.
Here we propose a Powered Embarrassing Parallel MCMC (PEPMCMC) algorithm, in which
the full data posterior density is the product of the sub-posterior densities (posterior
densities of different subdatasets) raised by some constraint powers. This is proven to be
equivalent to a weighted averaging procedure. In our work, the powers are determined
based on a maximum likelihood criterion, which leads to finding a maximum likelihood
point within the convex hull of the estimates from different machines. We prove the
asymptotic exactness and apply it to several cases to verify its strength in comparison with
the unparallel and unpowered parallel algorithms. Furthermore, the connection between
normal kernel density and parametric density estimations under certain conditions is
investigated.
Keywords: Markov Chain Monte Carlo | Powered parallel | Weighted average | Maximum likelihood |
مقاله انگلیسی |
2 |
هوش سیال و ظرفیت حافظه کاری: آیا زمانی برای کار بر روی مسائل هوشی مرتبط با تشریح روابط وسیع آنها است؟
سال انتشار: 2015 - تعداد صفحات فایل pdf انگلیسی: 6 - تعداد صفحات فایل doc فارسی: 6 در گزارشات اخیر نشان داده شده است که رابطه، در سطح متغیر پنهان، بین قابلیت سیال و ظرفیت حافظه کاری تحت تاثیر زمان مجاز برای تکمیل مسائلی است که به موارد قبلی نیاز دارد (چودرسکی، 2013) : زمتن بیشتر، رابطه کمتر. استدلال اصلی در این است که مدیریت نابهنگام از مسائل قابلیت سیال محدودیت های ظرفیت حافظه کاری را جبرانسازی می کند. گزارش فعلی گروهی متشکل از 302 شرکت کننده را آنالیز می کند که یک مجموعه از سه آزمون سیال و شش عملکرد حافظه کاری را تکمیل می کنند. آنالیزهای متغیر پنهان همبستگی های سازگار (میانگین وزنی r = .86) مابین قابلیت سیال و ظرفیت حافظه کاری را صرف نظر از دفعات مدیریت نشان می دهد. علاوه بر این، کمترین تفاوت در قابلیت سیال بین افراد با ظرفیت حافظه کاری بالا و پائین در شرایط پرشتاب مشاهده می شود. تفاوت آنها زمانی بیشتر می شود که زمان افزایش یافته مجاز به کامل کردن مسائل سیال باشد. بنابراین، رابطه بین قابلیت سیال و ظرفیت حافظه کاری در مکانیزم های بسیار معمول غیر مرتبط با محدودیت های زمانی، مورد تجدید نظر قرار می گیرد. در اینجا، نشان می دهیم که قابلیت اطمینان توسط این اطلاعات مرتبط در کوتاه مدت برای پردازش خطی موفقیت آمیز، به نظر می رسد که کاندید احتمالی باشد.
کلمات کلیدی : قابلیت سیال | ظرفیت حافظه کاری | سرعت | محدودیت های زمانی |
مقاله ترجمه شده |
3 |
Uncertain induced aggregation operators and its application in tourism management
عدم تعریف اپراتورهای تجمعی نامشخص و کاربرد آن در مدیریت گردشگری-2012 We develop a new decision making approach for dealing with uncertain information and apply it in tour
ism management. We use a new aggregation operator that uses the uncertain weighted average (UWA)
and the uncertain induced ordered weighted averaging (UIOWA) operator in the same formulation. We
call it the uncertain induced ordered weighted averaging – weighted averaging (UIOWAWA) operator.
We study some of the main advantages and properties of the new aggregation such as the uncertain
arithmetic UIOWA (UA-UIOWA) and the uncertain arithmetic UWA (UAUWA). We study its applicability
in a multi-person decision making problem concerning the selection of holiday trips. We see that depend
ing on the particular type of UIOWAWA operator used, the results may lead to different decisions.
Keywords: Interval numbers | Weighted average | OWA operator | Aggregation operators | Tourism management | Multi-person decision-making |
مقاله انگلیسی |