文摘

我们提出一个可伸缩的、高性能的解决方案出现的多维递归自适应统计设计。自适应学习算法的设计是一个重要的类随机环境中,我们专注于最优分配的问题,患者治疗的临床试验。而自适应设计有重大的伦理和成本优势,他们很少使用,因为优化和分析的复杂性。计算挑战包括大量的内存需求,计算内存访问,multiply-nested循环与动态指标。我们分析各种并行化选项的影响,虽然标准的方法效果不佳,工作高效,高度可伸缩的程序可以被开发。这使我们解决问题数千倍更复杂的比之前解决,这有助于使自适应设计实用。此外,我们的工作也适用于许多其他问题涉及邻居复发,如广义字符串匹配。