Компьютерные науки > Машинное обучение [представлено 6 сентября 2026 года] Название: Параметризированные и стремящие алгоритмы для Euclidean Fair $k-Center Classing View PDF HTML (экспериментальное) Резюме: Взяв на себя растущее значение справедливости в машинном обучении, справедливое кластерирование долларов США привлекло значительное внимание научных исследований как фундаментальной проблемы. В этой связи набор данных подразделяется на разрозненные группы в размере m$, и цель состоит в том, чтобы выбрать точки данных в долларовом выражении как центры с верхними пределами числа центров, выбранных от каждой группы, для сведения к минимуму максимального расстояния между любой точкой данных и ее установленным центром. Сосредоточив внимание на евклидовых пространствах, которые повсеместно используются в программах машинного обучения, мы сначала разработали параметризированный аппроксимационный алгоритм для ярмарки эвклидийских долларов-центра с приблизительным соотношением 2 732 долл. США. Благодаря включению этого алгоритма в качестве этапа после обработки в систему однопроходного потока крупномасштабных данных мы получаем приблизительный коэффициент 4,464 долл. США. США и 3,828 долл. Для обеспечения полиномиальной сложности времени мы далее проектируем алгоритм однопроходного потока с приблизительным соотношением 4,732 долл. США, которое можно было бы еще больше улучшить до 4,42 долл. И наконец, обширные эксперименты показывают, что наши методы значительно превосходят…
Параметризированные и стремящие алгоритмы для ярмарки Евклидов $k-Center
arXiv: 26009,06384v1 Annualte Type: New Humber Abstract: Included with the firstive of aquity in mother expination, Fair-k-center crounder привлекла значительное внимание научных исследований в качестве фундаментальной проблемы. В этой связи набор данных подразделяется на разрозненные группы в размере m$, и цель состоит в том, чтобы выбрать точки данных в долларовом выражении как центры с верхними пределами числа центров, выбранных от каждой группы, для сведения к минимуму максимального расстояния между любой точкой данных и ее установленным центром. Сосредоточив внимание на евклидовых пространствах, которые повсеместно используются в программах машинного обучения, мы сначала разработали параметризированный аппроксимационный алгоритм для ярмарки эвклидийских долларов-центра с приблизительным соотношением 2 732 долл. США. Благодаря включению этого алгоритма в качестве этапа после обработки в систему однопроходного потока крупномасштабных данных мы получаем приблизительный коэффициент 4,464 долл. США. США и 3,828 долл. Для обеспечения поли