Quantile hashing : uma abordagem escalável baseada em hashing sensível a localidade para o problema dos k-vizinhos mais próximos
| dc.creator | Paulo Cirino Ribeiro Neto | |
| dc.creator | Gustavo R. L. Silva | |
| dc.creator | Antônio de Pádua Braga | |
| dc.date.accessioned | 2025-04-01T16:29:03Z | |
| dc.date.accessioned | 2025-09-09T01:27:20Z | |
| dc.date.available | 2025-04-01T16:29:03Z | |
| dc.date.issued | 2017 | |
| dc.identifier.doi | 10.21528/CBIC2017-56 | |
| dc.identifier.uri | https://hdl.handle.net/1843/81177 | |
| dc.language | por | |
| dc.publisher | Universidade Federal de Minas Gerais | |
| dc.rights | Acesso Aberto | |
| dc.subject | Aprendizado do computador | |
| dc.subject.other | Machine Learning, Classification, Nearest Neighbor, Locality Sensitive Hashing | |
| dc.title | Quantile hashing : uma abordagem escalável baseada em hashing sensível a localidade para o problema dos k-vizinhos mais próximos | |
| dc.type | Artigo de evento | |
| local.description.resumo | Este artigo apresenta um novo método de classificação de dados denominado QH Quantile Hashing, cujo o objetivo reduzir os custos computacionais associados ao k-NN, eliminando a necessidade da computação das distâncias por meio de um método ingênuo de Locality Sensitive Hashing(LSH ). Um grande volume de dados (105 amostras) foi utilizado nos testes e o método proposto, QH, apresentou uma excelente escalabilidade quando comparado ao k-NN tradicional. A implementação do método QH ´e direcionada a dois objetivos: processar grande volume de dados em menor tempo e manter a qualidade encontrada pela versão original do k-NN. | |
| local.publisher.country | Brasil | |
| local.publisher.department | ENG - DEPARTAMENTO DE ENGENHARIA ELETRÔNICA | |
| local.publisher.initials | UFMG | |
| local.url.externa | https://sbic.org.br/wp-content/uploads/2018/09/cbic-paper-56.pdf |
Arquivos
Licença do pacote
1 - 1 de 1