CMU
หลักสูตร
แยกตามคณะ
ค้นหาหลักสูตร
ปริญญาตรี
ปริญญาโท
ปริญญาเอก
หลักสูตรอื่นๆ
|
การศึกษา
การรับสมัครปริญญาตรี
การรับสมัครระดับบัณฑิตศึกษา
การรับสมัครหลักสูตรนานาชาติ
ทุนอธิการบดีมหาวิทยาลัยเชียงใหม่
|
คณะและหน่วยงาน
คณะ
หน่วยงาน
ส่วนงานอื่นๆ
|
TH
EN
CN
TH
EN
CN
หลักสูตร
แยกตามคณะ
ค้นหาหลักสูตร
ปริญญาตรี
ปริญญาโท
ปริญญาเอก
หลักสูตรอื่นๆ
การศึกษา
การรับสมัครปริญญาตรี
การรับสมัครระดับบัณฑิตศึกษา
การรับสมัครหลักสูตรนานาชาติ
ทุนอธิการบดีมหาวิทยาลัยเชียงใหม่
คณะและหน่วยงาน
คณะ
หน่วยงาน
ส่วนงานอื่นๆ
ข่าวสาร
ข่าวงานวิจัยและนวัตกรรม
ข่าวเด่น
ข่าวบุคคลเด่น
รางวัลและความภาคภูมิใจ
ประชุมสัมมนา/กิจกรรมของมหาวิทยาลัย
ภาพข่าวผู้บริหาร
ข่าวรับสมัครงาน
ข่าวจัดซื้อจัดจ้าง
ปฏิทินกิจกรรม
COVID-19 และ PM2.5
เกี่ยวกับ มช.
ประวัติความเป็นมา
60 ปี มช.
ปณิธาน/วิสัยทัศน์/พันธกิจ/ค่านิยมและวัฒนธรรมองค์กร
อำนาจหน้าที่
สัญลักษณ์มหาวิทยาลัย
เกี่ยวกับมช.
ข้อมูลสาธารณะ
CMU 360 องศา
SDGs
โครงสร้างองค์กรและการบริหารมหาวิทยาลัยเชียงใหม่
แผนพัฒนาการศึกษามช. ระยะ 5 ปี
คณะกรรมการสภามหาวิทยาลัย
คณะผู้บริหารมหาวิทยาลัย
ผู้บริหารส่วนงาน
ผู้บริหารหน่วยงาน
สภาพนักงาน
Download CMU Powerpoint Template
ช่องทางการสอบถามข้อมูล (Q&A)
นโยบายคุ้มครองข้อมูลส่วนบุคคล
ติดต่อเรา
เสนอแนะ/ร้องเรียน
ข่าว
นักวิจัยคณะวิทย์ มช. ร่วมพัฒนา learning algorithm สำหรับการเรียนรู้แบบ ensemble ที่มีสมาชิกเป็นตัวแบบที่ทำงานในปริภูมิย่อย (subspace) ที่ต่างกัน
25 ตุลาคม 2567
คณะวิทยาศาสตร์
รศ.ดร.จักรเมธ บุตรกระจ่าง นักวิจัยจากภาควิชาวิทยาการคอมพิวเตอร์ คณะวิทยาศาสตร์ มหาวิทยาลัยเชียงใหม่ ร่วมกับ Henry W. J. Reeve จาก School of Mathematics, University of Bristol และ Ata Kaban จาก School of Computer Science, University of Birmingham พัฒนาขั้นตอนวิธีการเรียนรู้ (learning algorithm) แบบมีขอบเขตของประสิทธิภาพ (generalisation performance bound) สำหรับการเรียนรู้แบบ ensemble ที่มีสมาชิกเป็นตัวแบบที่ทำงานในปริภูมิย่อย (subspace) ที่ต่างกัน ภายใต้งานวิจัยในหัวข้อ Heterogeneous sets in dimensionality reduction and ensemble learning
งานนี้เริ่มต้นจากการสังเกตว่าสมาชิกในเซตที่ต่างกันจะมีความซับซ้อนไม่เท่ากัน การคิดขอบเขตประสิทธิภาพแบบเหมารวมอาจทำให้ได้ขอบเขตของประสิทธิภาพที่หย่อนไป นำไปสู่การศึกษาทางทฤษฎีเพื่อพยายามปรับปรุงการคำนวณขอบเขตของเซตที่ประกอบด้วยสมาชิกที่แตกต่างกันที่แน่นขึ้น ทฤษฎีบทที่ได้ถูกนำมาใช้งานในบริบทของการเรียนรู้แบบรวม (ensemble learning) ที่ซึ่งประกอบด้วยตัวแบบในปริภูมิย่อยที่ถูกฉายแบบสุ่ม (randomly projected subspace) หลายตัวที่ต่่างกันออกไป การทดลองเชิงประจักษ์บนชุดข้อมูลจริง ให้ผลสนับสนุนว่าแนวทางใหม่นั้นมีศักยภาพ
เทคนิคการหาขอบเขตรวมของเซตที่แปรผันตามความซับซ้อนของสมาชิกในเซต ทำให้ได้ขอบเขตที่แน่นกว่าการคำนวณแบบเหมารวมซึ่งอิงจากความซับซ้อนสูงสุดของสมาชิกตัวใดตัวหนึ่ง และด้วยขอบเขตประสิทธิภาพที่แน่นกว่า เราสามารถคาดหวังประสิทธิภาพที่สูงขึ้นจากขั้นตอนวิธีการเรียนรู้ของเครื่องที่พัฒนาบนรากฐานของทฤษฎีบทดังกล่าว
ในอีกมุมหนึ่งงานวิจัยนี้อยากแสดงให้เห็นว่าการศึกษาทฤษฎีการเรียนรู้ของเครื่องนั้นใช่ว่าจะไม่มีประโยชน์ในเชิงการใช้งาน แต่ผลลัพธ์เชิงทฤษฎีที่ได้สามารถนำไปสู่ขั้นตอนวิธีการเรียนรู้ที่สามารถใช้งานได้จริงเช่นกัน และหวังว่าจะมีส่วนในการกระตุ้นการศึกษาทฤษฎีการเรียนรู้ (learning theory) ให้มากขึ้น
ผลงานได้รับการตีพิมพ์ในวารสาร Machine Learning
Published: 28 October 2022
Volume 113, pages 1683–1704, (2024)
https://doi.org/10.1007/s10994-022-06254-0
งานวิจัยและนวัตกรรม
ข่าวเด่น
แกลลอรี่
×
RoomID:
Room Name:
Description: