Si aún no lo sabías

Si aún no lo sabías

Marca de tiempo: 8 de noviembre de 2023 1:07 a. M.
Nodo de origen: 2969387

Recomendación basada en aprendizaje por refuerzo profundo (RRD) google
La recomendación es crucial tanto en la academia como en la industria, y se proponen varias técnicas, como filtrado colaborativo basado en contenido, factorización matricial, regresión logística, máquinas de factorización, redes neuronales y bandidos con múltiples brazos. Sin embargo, la mayoría de los estudios previos adolecen de dos limitaciones: (1) considerar la recomendación como un procedimiento estático e ignorar la naturaleza interactiva dinámica entre los usuarios y los sistemas de recomendación, (2) centrarse en la retroalimentación inmediata de los elementos recomendados y descuidar el largo plazo. -recompensas a plazo. Para abordar las dos limitaciones, en este artículo proponemos un novedoso marco de recomendación basado en el aprendizaje por refuerzo profundo, llamado DRR. El marco de RRD trata la recomendación como un procedimiento secuencial de toma de decisiones y adopta un esquema de aprendizaje reforzado 'Actor-Crítico' para modelar las interacciones entre los usuarios y los sistemas de recomendación, que puede considerar tanto la adaptación dinámica como las recompensas a largo plazo. Además, se incorpora un módulo de representación del estado a la RRD, que puede capturar explícitamente las interacciones entre elementos y usuarios. Se desarrollan tres estructuras de instanciación. Se llevan a cabo extensos experimentos en cuatro conjuntos de datos del mundo real en entornos de evaluación tanto fuera de línea como en línea. Los resultados experimentales demuestran que el método de RRD propuesto realmente supera a los competidores de última generación. …

Aprendizaje profundo google
El aprendizaje profundo es un conjunto de algoritmos de aprendizaje automático que intentan modelar abstracciones de alto nivel en datos mediante el uso de arquitecturas compuestas de múltiples transformaciones no lineales. El aprendizaje profundo es parte de una familia más amplia de métodos de aprendizaje automático basados ​​en representaciones de aprendizaje. Una observación (p. ej., una imagen) se puede representar de muchas maneras (p. ej., un vector de píxeles), pero algunas representaciones facilitan el aprendizaje de tareas de interés (p. ej., ¿es esta la imagen de un rostro humano?) a partir de ejemplos. y la investigación en esta área intenta definir qué constituye mejores representaciones y cómo crear modelos para aprender estas representaciones. Se han aplicado varias arquitecturas de aprendizaje profundo, como redes neuronales profundas, redes neuronales profundas convolucionales y redes de creencias profundas, a campos como la visión por computadora, el reconocimiento automático del habla, el procesamiento del lenguaje natural y el reconocimiento de señales de música/audio, donde se ha demostrado que producen estados. Resultados de última generación en diversas tareas. …

Aprendizaje coordinado centralizado (CCL) google
Debido al rápido desarrollo de técnicas de redes neuronales profundas (DNN) y la aparición de bases de datos faciales a gran escala, el reconocimiento facial ha logrado un gran éxito en los últimos años. Durante el proceso de entrenamiento de DNN, las características faciales y los vectores de clasificación que se aprenderán interactuarán entre sí, mientras que la distribución de las características faciales afectará en gran medida el estado de convergencia de la red y el cálculo de similitud de caras en la etapa de prueba. En este trabajo, formulamos conjuntamente el aprendizaje de características faciales y vectores de clasificación, y proponemos un método de aprendizaje de coordenadas centralizado (CCL) simple pero efectivo, que obliga a que las características se dispersen en el espacio de coordenadas y al mismo tiempo garantiza que los vectores de clasificación se encuentren en una hiperesfera. Se propone además un margen angular adaptativo para mejorar la capacidad de discriminación de los rasgos faciales. Se llevan a cabo extensos experimentos con seis puntos de referencia faciales, incluidos aquellos que tienen una gran diferencia de edad y muestras negativas estrictas. Nuestro modelo CCL, entrenado únicamente en el conjunto de datos de pequeña escala de CASIA Webface con 460 imágenes faciales de aproximadamente 10 sujetos, demuestra una alta efectividad y generalidad, mostrando un rendimiento consistentemente competitivo en las seis bases de datos de referencia. …

Nodo2Vec rápido google
Node2Vec es un método de aprendizaje de funciones de uso general de última generación para el análisis de redes. Sin embargo, las soluciones actuales no pueden ejecutar Node2Vec en gráficos a gran escala con miles de millones de vértices y aristas, que son comunes en aplicaciones del mundo real. El Node2Vec distribuido existente en Spark genera una importante sobrecarga de espacio y tiempo. Se queda sin memoria incluso para gráficos de tamaño mediano con millones de vértices. Además, considera como máximo 30 aristas por cada vértice al generar recorridos aleatorios, lo que provoca una mala calidad de los resultados. En este artículo, proponemos Fast-Node2Vec, una familia de algoritmos eficientes de paseo aleatorio Node2Vec en un marco de cálculo de gráficos similar a Pregel. Fast-Node2Vec calcula las probabilidades de transición durante paseos aleatorios para reducir el consumo de espacio de memoria y la sobrecarga de cálculo para gráficos a gran escala. El esquema similar a Pregel evita la sobrecarga de espacio y tiempo de las estructuras RDD de solo lectura y las operaciones aleatorias de Spark. Además, proponemos una serie de técnicas de optimización para reducir aún más la sobrecarga de cálculo para vértices populares con grados grandes. La evaluación empírica muestra que Fast-Node2Vec es capaz de calcular Node2Vec en gráficos con miles de millones de vértices y aristas en un grupo de máquinas de tamaño mediano. En comparación con Spark-Node2Vec, Fast-Node2Vec logra aceleraciones de 7.7 a 122 veces. …

Sello de tiempo:

Mas de Análisis