Kui te veel ei teadnud

Kui te veel ei teadnud

Ajatempel: 8. november 2023 1:07
Allikasõlm: 2969387

Sügaval tugevdamisel õppimisel põhinev soovitus (DRR) google
Soovitus on ülioluline nii akadeemilises ringkonnas kui ka tööstuses ning pakutakse välja erinevaid tehnikaid, nagu sisupõhine koostööfiltreerimine, maatriksite faktoriseerimine, logistiline regressioon, faktoriseerimismasinad, närvivõrgud ja mitme relvaga bandiidid. Enamikul varasematel uuringutel on aga kaks piirangut: (1) soovituse käsitlemine staatilise protseduurina ja kasutajate ja soovitussüsteemide vahelise dünaamilise interaktiivse olemuse eiramine, (2) soovitatavate üksuste vahetule tagasisidele keskendumine ja pikaajaliste seadmete tähelepanuta jätmine. - tähtajalised preemiad. Nende kahe piirangu käsitlemiseks pakume selles artiklis välja uudse soovitusraamistiku, mis põhineb sügaval tugevdamisel, mida nimetatakse DRR-iks. DRR-i raamistik käsitleb soovitust järjestikuse otsustamisprotseduurina ja võtab vastu nn näitleja-kriitiku tugevdamise õppeskeemi, et modelleerida kasutajate ja soovitajasüsteemide vahelisi koostoimeid, mis võivad arvesse võtta nii dünaamilist kohanemist kui ka pikaajalisi hüvesid. Lisaks on DRR-i integreeritud oleku esitusmoodul, mis suudab selgelt jäädvustada üksuste ja kasutajate vahelisi koostoimeid. Töötatakse välja kolm instantseerimisstruktuuri. Nii võrguühenduseta kui ka veebipõhise hindamise seadetes viiakse läbi ulatuslikud katsed nelja reaalmaailma andmestikuga. Katsetulemused näitavad, et pakutud DRR-meetod ületab tõepoolest tipptasemel konkurente. …

Sügav õppimine google
Süvaõpe on masinõppe algoritmide kogum, mis üritab modelleerida andmete kõrgetasemelisi abstraktsioone, kasutades mitmest mittelineaarsest teisendusest koosnevaid arhitektuure. Süvaõpe on osa laiemast masinõppemeetodite perekonnast, mis põhinevad õppimisesitustel. Vaatlust (nt pilti) saab esitada mitmel viisil (nt pikslite vektor), kuid mõned esitused hõlbustavad huvipakkuvate ülesannete õppimist (nt kas see on inimese näo kujutis?) näidete põhjal, ja selle valdkonna uuringud püüavad määratleda, mis teeb paremad esitused ja kuidas luua mudeleid nende esituste õppimiseks. Erinevaid süvaõppearhitektuure, nagu sügavad närvivõrgud, konvolutsioonilised sügavad närvivõrgud ja sügavad uskumuste võrgud, on rakendatud sellistes valdkondades nagu arvutinägemine, automaatne kõnetuvastus, loomuliku keele töötlemine ja muusika/helisignaali tuvastamine, kus on näidatud, et need tekitavad olekut. - kõige kaasaegsemad tulemused erinevate ülesannete täitmisel. …

Tsentraliseeritud koordinaatide õpe (CCL) google
Tänu sügavate närvivõrkude (DNN) tehnikate kiirele arengule ja suuremahuliste näoandmebaaside tekkimisele on näotuvastus viimastel aastatel saavutanud suurt edu. DNN-i koolitusprotsessi käigus interakteeruvad õpitavad näotunnused ja klassifikatsioonivektorid üksteisega, samas kui näotunnuste jaotus mõjutab suuresti võrgu konvergentsi olekut ja näo sarnasuse arvutamist testimisetapis. Selles töös sõnastame ühiselt näotunnuste ja klassifikatsioonivektorite õppimise ning pakume välja lihtsa, kuid tõhusa tsentraliseeritud koordinaatide õppimise (CCL) meetodi, mis tagab tunnuste hajutatuse koordinaatruumis, tagades samas klassifitseerimisvektorite paiknemise. hüpersfäär. Näoomaduste eristamisvõime suurendamiseks on lisaks pakutud välja adaptiivne nurgavaru. Ulatuslikud katsed viiakse läbi kuue näo etaloniga, sealhulgas neil, millel on suur vanusevahe ja tugevad negatiivsed proovid. Meie CCL-mudel, mis on koolitatud ainult väikesemahulise CASIA Webface'i andmekogumi jaoks, mis sisaldab 460 10 näokujutisi umbes XNUMX XNUMX subjektilt, näitab kõrget tõhusust ja üldistust, näidates järjepidevalt konkurentsivõimelist jõudlust kõigis kuues võrdlusandmebaasis. …

Fast-Node2Vec google
Node2Vec on kaasaegne üldotstarbeline funktsioonide õppimise meetod võrguanalüüsiks. Praegused lahendused ei suuda aga Node2Vec’i käivitada suuremahulistel miljardite tippude ja servadega graafikutel, mis on tavarakendustes levinud. Olemasolev hajutatud Node2Vec Sparkis nõuab märkimisväärset ruumi- ja ajakulu. Selle mälu saab otsa isegi miljonite tippudega keskmise suurusega graafikute jaoks. Lisaks arvestab see juhuslike jalutuskäikude genereerimisel iga tipu jaoks maksimaalselt 30 serva, põhjustades tulemuse halva kvaliteedi. Selles artiklis pakume välja Fast-Node2Vec, tõhusate Node2Vec juhuslike kõndimisalgoritmide perekonna Pregeli-sarnases graafiku arvutamise raamistikus. Fast-Node2Vec arvutab üleminekutõenäosused juhuslike jalutuskäikude ajal, et vähendada mäluruumi tarbimist ja suuremahuliste graafikute arvutuskulusid. Pregeli sarnane skeem väldib ruumi ja ajakulu Sparki kirjutuskaitstud RDD struktuuride ja segamisoperatsioonide jaoks. Lisaks pakume välja mitmeid optimeerimistehnikaid, et veelgi vähendada arvutuskulusid suurte astmetega populaarsete tippude puhul. Empiiriline hindamine näitab, et Fast-Node2Vec on võimeline arvutama Node2Vec keskmise suurusega masinaklastri miljardite tippude ja servadega graafidel. Võrreldes Spark-Node2Veciga saavutab Fast-Node2Vec 7.7–122-kordse kiiruse. …

Ajatempel:

Veel alates AnalytiXon