আপনি যদি ইতিমধ্যে জানতেন না

আপনি যদি ইতিমধ্যে জানতেন না

সময় স্ট্যাম্প: নভেম্বর 8, 2023 1:07 এএম
উত্স নোড: 2969387

ডিপ রিইনফোর্সমেন্ট লার্নিং ভিত্তিক সুপারিশ (DRR) গুগল
সুপারিশটি একাডেমিয়া এবং শিল্প উভয় ক্ষেত্রেই গুরুত্বপূর্ণ এবং বিভিন্ন কৌশল প্রস্তাব করা হয়েছে যেমন বিষয়বস্তু-ভিত্তিক সহযোগিতামূলক ফিল্টারিং, ম্যাট্রিক্স ফ্যাক্টরাইজেশন, লজিস্টিক রিগ্রেশন, ফ্যাক্টরাইজেশন মেশিন, নিউরাল নেটওয়ার্ক এবং বহু-সশস্ত্র দস্যু। যাইহোক, পূর্ববর্তী বেশিরভাগ গবেষণা দুটি সীমাবদ্ধতার মধ্যে ভুগছে: (1) সুপারিশটিকে একটি স্থির পদ্ধতি হিসাবে বিবেচনা করা এবং ব্যবহারকারী এবং সুপারিশকারী সিস্টেমের মধ্যে গতিশীল ইন্টারেক্টিভ প্রকৃতিকে উপেক্ষা করা, (2) প্রস্তাবিত আইটেমগুলির তাত্ক্ষণিক প্রতিক্রিয়ার উপর ফোকাস করা এবং দীর্ঘ সময় উপেক্ষা করা। -মেয়াদী পুরস্কার। দুটি সীমাবদ্ধতা মোকাবেলা করার জন্য, এই কাগজে আমরা গভীর শক্তিবৃদ্ধি শিক্ষার উপর ভিত্তি করে একটি অভিনব সুপারিশ কাঠামোর প্রস্তাব করি, যাকে বলা হয় DRR। ডিআরআর ফ্রেমওয়ার্ক সুপারিশকে একটি ক্রমিক সিদ্ধান্ত গ্রহণের পদ্ধতি হিসাবে বিবেচনা করে এবং ব্যবহারকারী এবং সুপারিশকারী সিস্টেমগুলির মধ্যে মিথস্ক্রিয়াকে মডেল করার জন্য একটি 'অভিনেতা-সমালোচক' শক্তিবৃদ্ধি শেখার স্কিম গ্রহণ করে, যা গতিশীল অভিযোজন এবং দীর্ঘমেয়াদী পুরস্কার উভয়ই বিবেচনা করতে পারে। অধিকন্তু, একটি রাষ্ট্রীয় প্রতিনিধিত্ব মডিউল DRR-এ অন্তর্ভুক্ত করা হয়েছে, যা স্পষ্টভাবে আইটেম এবং ব্যবহারকারীদের মধ্যে মিথস্ক্রিয়া ক্যাপচার করতে পারে। তিনটি ইনস্ট্যান্টেশন স্ট্রাকচার তৈরি করা হয়েছে। চারটি বাস্তব-বিশ্বের ডেটাসেটের উপর ব্যাপক পরীক্ষা-নিরীক্ষা অফলাইন এবং অনলাইন মূল্যায়ন সেটিংস উভয়ের অধীনেই পরিচালিত হয়। পরীক্ষামূলক ফলাফলগুলি দেখায় যে প্রস্তাবিত DRR পদ্ধতিটি প্রকৃতপক্ষে অত্যাধুনিক প্রতিযোগীদেরকে ছাড়িয়ে যায়। …

গভীর জ্ঞানার্জন গুগল
ডিপ লার্নিং হল মেশিন লার্নিং-এ অ্যালগরিদমের একটি সেট যা একাধিক নন-লিনিয়ার ট্রান্সফরমেশনের সমন্বয়ে গঠিত আর্কিটেকচার ব্যবহার করে ডেটাতে উচ্চ-স্তরের বিমূর্ততা মডেল করার চেষ্টা করে। ডিপ লার্নিং হল মেশিন লার্নিং পদ্ধতির একটি বৃহত্তর পরিবারের অংশ যা শেখার উপস্থাপনাগুলির উপর ভিত্তি করে। একটি পর্যবেক্ষণ (যেমন, একটি চিত্র) বিভিন্ন উপায়ে উপস্থাপন করা যেতে পারে (যেমন, পিক্সেলের একটি ভেক্টর), তবে কিছু উপস্থাপনাগুলি উদাহরণ থেকে আগ্রহের কাজগুলি শিখতে সহজ করে তোলে (যেমন, এটি কি মানুষের মুখের চিত্র?) এবং এই অঞ্চলে গবেষণা কি আরও ভাল উপস্থাপনা করে এবং এই উপস্থাপনাগুলি শেখার জন্য কীভাবে মডেল তৈরি করা যায় তা সংজ্ঞায়িত করার চেষ্টা করে। বিভিন্ন ডিপ লার্নিং আর্কিটেকচার যেমন ডিপ নিউরাল নেটওয়ার্ক, কনভোলিউশনাল ডিপ নিউরাল নেটওয়ার্ক এবং গভীর বিশ্বাসের নেটওয়ার্ক কম্পিউটার ভিশন, স্বয়ংক্রিয় বক্তৃতা শনাক্তকরণ, প্রাকৃতিক ভাষা প্রক্রিয়াকরণ, এবং সঙ্গীত/অডিও সংকেত স্বীকৃতির মতো ক্ষেত্রে প্রয়োগ করা হয়েছে যেখানে তারা রাষ্ট্র তৈরি করতে দেখা গেছে। বিভিন্ন কাজের উপর -অফ-দ্য-আর্ট ফলাফল। …

সেন্ট্রালাইজড কোঅর্ডিনেট লার্নিং (CCL) গুগল
গভীর নিউরাল নেটওয়ার্ক (DNN) কৌশলগুলির দ্রুত বিকাশ এবং বৃহৎ আকারের মুখের ডেটাবেসের উত্থানের জন্য, সাম্প্রতিক বছরগুলিতে মুখের স্বীকৃতি একটি দুর্দান্ত সাফল্য অর্জন করেছে। DNN-এর প্রশিক্ষণ প্রক্রিয়া চলাকালীন, মুখের বৈশিষ্ট্য এবং শ্রেণিবিন্যাস ভেক্টরগুলি একে অপরের সাথে ইন্টারঅ্যাক্ট করবে, অন্যদিকে মুখের বৈশিষ্ট্যগুলির বন্টন মূলত নেটওয়ার্কের কনভারজেন্স স্ট্যাটাস এবং পরীক্ষার পর্যায়ে মুখের সাদৃশ্য কম্পিউটিংকে প্রভাবিত করবে। এই কাজে, আমরা সম্মিলিতভাবে মুখের বৈশিষ্ট্য এবং শ্রেণিবিন্যাস ভেক্টর শেখার প্রণয়ন করি এবং একটি সহজ অথচ কার্যকর কেন্দ্রীভূত স্থানাঙ্ক শিখন (CCL) পদ্ধতির প্রস্তাব করি, যা শ্রেণীবিন্যাস ভেক্টরগুলিকে শুয়ে থাকা নিশ্চিত করার সময় বৈশিষ্ট্যগুলিকে স্থানাঙ্কের জায়গায় ছড়িয়ে দেওয়ার জন্য প্রয়োগ করে। একটি হাইপারস্ফিয়ার। একটি অভিযোজিত কৌণিক মার্জিন আরও প্রস্তাবিত হয়েছে মুখের বৈশিষ্ট্যগুলির বৈষম্য ক্ষমতা বাড়ানোর জন্য। ছয়টি মুখের মানদণ্ডের উপর ব্যাপক পরীক্ষা-নিরীক্ষা করা হয়, যার মধ্যে রয়েছে বড় বয়সের ব্যবধান এবং কঠিন নেতিবাচক নমুনা। প্রায় 460K বিষয় থেকে 10K মুখের ছবি সহ শুধুমাত্র ছোট-স্কেল CASIA ওয়েবফেস ডেটাসেটে প্রশিক্ষিত, আমাদের CCL মডেল উচ্চ কার্যকারিতা এবং সাধারণতা প্রদর্শন করে, সমস্ত ছয়টি বেঞ্চমার্ক ডেটাবেস জুড়ে ধারাবাহিকভাবে প্রতিযোগিতামূলক কর্মক্ষমতা প্রদর্শন করে। …

দ্রুত-Node2Vec গুগল
Node2Vec নেটওয়ার্ক বিশ্লেষণের জন্য একটি অত্যাধুনিক সাধারণ-উদ্দেশ্য বৈশিষ্ট্য শেখার পদ্ধতি। যাইহোক, বর্তমান সমাধানগুলি কোটি কোটি শীর্ষবিন্দু এবং প্রান্ত সহ বড় আকারের গ্রাফগুলিতে Node2Vec চালাতে পারে না, যা বাস্তব-বিশ্বের অ্যাপ্লিকেশনগুলিতে সাধারণ৷ স্পার্ক-এ বিদ্যমান বিতরণকৃত Node2Vec উল্লেখযোগ্য স্থান এবং সময় ওভারহেড বহন করে। লক্ষ লক্ষ শীর্ষবিন্দু সহ মাঝারি আকারের গ্রাফগুলির জন্যও এটি মেমরির বাইরে চলে যায়৷ অধিকন্তু, এটি এলোমেলো হাঁটার জন্য প্রতিটি শীর্ষের জন্য সর্বাধিক 30টি প্রান্ত বিবেচনা করে, যার ফলে ফলাফলের গুণমান খারাপ হয়। এই কাগজে, আমরা ফাস্ট-নোড 2 ভেক প্রস্তাব করি, একটি প্রেগেল-এর মতো গ্রাফ গণনা কাঠামোতে দক্ষ Node2Vec র্যান্ডম ওয়াক অ্যালগরিদমের একটি পরিবার। Fast-Node2Vec বড় আকারের গ্রাফের জন্য মেমরির স্থান খরচ এবং গণনা ওভারহেড কমাতে এলোমেলো হাঁটার সময় ট্রানজিশন সম্ভাব্যতা গণনা করে। Pregel-এর মতো স্কিম স্পার্ক-এর রিড-অনলি RDD স্ট্রাকচার এবং শাফেল অপারেশনগুলির স্থান এবং সময়কে এড়িয়ে যায়। অধিকন্তু, আমরা বড় ডিগ্রী সহ জনপ্রিয় শীর্ষবিন্দুগুলির জন্য গণনার ওভারহেডকে আরও কমাতে অনেকগুলি অপ্টিমাইজেশন কৌশল প্রস্তাব করি৷ অভিজ্ঞতামূলক মূল্যায়ন দেখায় যে Fast-Node2Vec একটি মাঝারি আকারের মেশিন ক্লাস্টারে কোটি কোটি শীর্ষবিন্দু এবং প্রান্ত সহ গ্রাফে Node2Vec গণনা করতে সক্ষম। Spark-Node2Vec-এর তুলনায়, Fast-Node2Vec 7.7–122x গতি অর্জন করে। …

সময় স্ট্যাম্প:

থেকে আরো অ্যানালিটিক্সন