دانلود مقاله ترجمه شده کاربرد تکنیک ماشین بردار پشتیبانی موازی مبنی بر IEEE 2011 – MapReduce

کاربرد تکنیک ماشین بردار پشتیبانی موازی مبنی بر MapReduce برای فیلتر کردن اسپم ها در مقیاس بزرگ

A MapReduce based Parallel SVM for Large Scale Spam Filtering

چکیده

1- مقدمه

2- توزیع SVM با استفاده از MapReduce

3- هستی شناختی به منظور افزایش دقت

4- نتایج تجربی

5- نتیجه گیری ها و کار آتی

منابع

چکیده

هرزنامه ها (اسپم ها) همچنان خسارت های زیادی را تحمیل می کنند. روش های مختلف از جمله تکنیک های مبتنی بر ماشین بردار پشتیبانی (SVM) برای طبقه بندی اسپم ها پیشنهاد داده شده است. با این حال، آموزش SVM یک فرآیند به شدت محاسباتی است. این مقاله یک الگوریتم SVM موازی را برای پالایش مقیاس پذیر اسپم ها ارائه می کند. از طریق توزیع، پردازش و بهبود زیرمجموعه های داده های آموزش در میان نودهای مختلف شرکت کنندع، روش SVM توزیع شده سبب کاهش قابل توجه زمان آموزش می شود. مفاهیم مبتنی بر هستی شناسی نیز برای به حداقل رساندن تاثیر افت دقت در هنگام توزیع داده های آموزش در بین طبقه بندی کننده های SVM به کار گرفته می شوند.

5- نتیجه گیری ها و کار آتی

در مقاله الگوریتم SVM موازی برای پالایش مقیاس پذیر اسپم ارائه شده است. با تفکیک مجموعه داده و به کارگیری تکنیک های محاسبات توزیع شده همانند MapReduce می توانیم زمان آموزش را به طور قابل ملاحظه ای بهبود دهیم. با این حال، این کار سبب تغییرات قابل توجه افت دقت می شود. در این کار مفاهیم مبتنی بر هستی شناختی برای بهبود دقت SVM موازی به کار گرفته شده است. برای کار آتی قصد داریم تا درباره روش های مناسب استخراج هوش اضافی از نمونه های تفسیر شده تحقیق کنیم و آن را به همراه یادگیری ماشین و فرآیند حلقه بازخورد SVM موازی به کار بگیریم. ما اعتقاد داریم که دقت با استفاده تفسیر خودکار مشابه با [20] بهبود بیشتری پیدا می کند.

Abstract

Spam continues to inflict increased damage. Varying approaches including Support Vector Machine (SVM) based techniques have been proposed for spam classification. However, SVM training is a computationally intensive process. This paper presents a parallel SVM algorithm for scalable spam filtering. By distributing, processing and optimizing the subsets of the training data across multiple participating nodes, the distributed SVM reduces the training time significantly. Ontology based concepts are also employed to minimize the impact of accuracy degradation when distributing the training data amongst the SVM classifiers.

V- CONCLUSIONS AND FUTURE WORK

In this paper we presented a parallel SVM algorithm for scalable spam filtering. By splitting the training set and applying distributed computing techniques such as MapReduce we can improve the training time considerably. However, this has varying yet noticeable degrees of accuracy degradation. In our work, we employ ontology based semantics to improve the accuracy of the parallel SVM. For future work, we intend to research appropriate schemes to extract additional intelligence from annotated instances and employ this within the machine learning, Parallel SVM feedback loop process. We believe that accuracy can be also further improved via automated annotation similar to [20].

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

کاربرد تکنیک ماشین بردار پشتیبانی موازی مبنی بر MapReduce برای فیلتر کردن اسپم ها در مقیاس بزرگ

A MapReduce based Parallel SVM for Large Scale Spam Filtering