Ekstremalna nauka zespołowa

Extremal Ensemble Learning (EEL) to algorytmiczny paradygmat uczenia maszynowego do partycjonowania grafów . EEL tworzy zestaw partycji, a następnie wykorzystuje informacje zawarte w zestawie, aby znaleźć nowe i ulepszone partycje. Zespół ewoluuje i uczy się, jak tworzyć ulepszone partycje poprzez ekstremalną procedurę aktualizacji. Ostateczne rozwiązanie można znaleźć, osiągając konsensus między partycjami członkowskimi co do tego, jaka jest optymalna partycja.

Zredukowane uczenie się w ekstremalnych zespołach sieciowych (RenEEL)

Szczególną implementacją paradygmatu EEL jest schemat Reduced Network Extremal Ensemble Learning (RenEEL) do partycjonowania grafu. RenEEL wykorzystuje konsensus między wieloma partycjami w zespole, aby stworzyć zredukowaną sieć, którą można skutecznie analizować w celu znalezienia dokładniejszych partycji. Te partycje lepszej jakości są następnie wykorzystywane do aktualizacji zespołu. Algorytm wykorzystujący schemat RenEEL jest obecnie najlepszym algorytmem do znajdowania partycji grafu o maksymalnej modułowości , co jest problemem NP-trudnym .