English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Les algorithmes d’apprentissage d’ordonnancement utilisent un tres grand nombre de caracteristiques pour apprendre les fonctions d’ordonnancement, entrainant une augmentation des temps d’execution et du nombre de caracteristiques redondantes ou bruitees. La selection de variables est une methode prometteuse pour resoudre ces enjeux. Dans cet article, nous pro- posons de nouvelles methodes de selection de variables en apprentissage d’ordonnancement basees sur des approches de ponderation des SVM en norme l2. Nous proposons une adap- tation d’une methode l2-AROM pour la resolution des SVM en norme l0 et un algorithme generique de ponderation de la norme l2 qui resout les problemes en norme l0 et l1. Nos ex- perimentations montrent que les methodes proposees sont jusqu’a 7 fois plus rapides et 10 fois plus parcimonieuses que l’etat de l’art, pour des qualites d’ordonnancement equivalentes.

Séparateurs à Vaste Marge pondérés en norme L2 pour la sélection de variables en apprentissage d'ordonnancement