Resumen

La llamada clasificación aprendida, propuesta por primera vez por Google, logra ordenar datos prediciendo las posiciones de colocación de elementos de datos no ordenados en una secuencia ordenada basada en modelos de aprendizaje automático. La clasificación aprendida pionera una nueva generación de algoritmos de clasificación y muestra un gran potencial debido a una complejidad temporal teórica y un fácil acceso a enfoques de aceleración impulsados por hardware. Sin embargo, la clasificación aprendida tiene dos problemas: controlar la monotonía y limitación de las posiciones de colocación predichas y lidiar con conflictos de colocación de elementos repetitivos. En este documento se propone un nuevo algoritmo de clasificación aprendida llamado LS. Integraremos una red neuronal de retropropagación con la técnica de tabla de búsqueda en LS para garantizar la monotonía y limitación de las posiciones de colocación predichas. Diseñamos una estructura de datos llamada índice autorregulador en LS para almacenar provisionalmente y actualizar correctamente las posiciones de colocación para eliminar posibles conflictos de colocación

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Ordenamiento aprendido; Ordenamiento de datos; Modelos de aprendizaje automático; Complejidad temporal; Enfoques de aceleración impulsados por hardware; Monotonía
• Keywords:Learned sorting; Data sorting; Machine learning models; Time complexity; Hardware-driven accelerating approaches; Monotonicity