Jos et tiennyt jo

Jos et tiennyt jo

Aikaleima: 8. marraskuuta 2023 1
Lähdesolmu: 2969387

Deep Reforcement Learning based Recommendation (DRR) Google
Suositteleminen on keskeistä sekä tiedemaailmassa että teollisuudessa, ja erilaisia ​​tekniikoita ehdotetaan, kuten sisältöpohjaista yhteistyösuodatusta, matriisifaktorointia, logistista regressiota, tekijöidenjakokoneet, hermoverkot ja monikätiset rosvot. Suurin osa aiemmista tutkimuksista kärsii kuitenkin kahdesta rajoituksesta: (1) suosituksen pitäminen staattisena menettelynä ja dynaamisen vuorovaikutteisen luonteen huomioiminen käyttäjien ja suositusjärjestelmien välillä, (2) keskittyminen suositeltujen kohteiden välittömään palautteeseen ja pitkän aikavälin huomiotta jättäminen. -aikaiset palkinnot. Näiden kahden rajoituksen käsittelemiseksi ehdotamme tässä artikkelissa uutta suosituskehystä, joka perustuu syvään vahvistavaan oppimiseen, nimeltään DRR. DRR-kehys käsittelee suositusta peräkkäisenä päätöksentekomenettelynä ja ottaa käyttöön "Actor-Critic" -vahvistusoppimismallin käyttäjien ja suosittelijajärjestelmien välisen vuorovaikutuksen mallintamiseksi, mikä voi ottaa huomioon sekä dynaamisen sopeutumisen että pitkän aikavälin palkkiot. Lisäksi DRR:ään on sisällytetty tilan esitysmoduuli, joka voi eksplisiittisesti kaapata kohteiden ja käyttäjien välisiä vuorovaikutuksia. Kehitetään kolme ilmentymisrakennetta. Sekä offline- että online-arviointiasetuksissa tehdään kattavia kokeita neljällä todellisen maailman tietojoukolla. Kokeelliset tulokset osoittavat, että ehdotettu DRR-menetelmä todellakin päihittää huippuluokan kilpailijat. …

Deep Learning Google
Deep learning on joukko koneoppimisen algoritmeja, jotka yrittävät mallintaa datan korkean tason abstraktioita käyttämällä useista epälineaarisista muunnoksista koostuvia arkkitehtuureja. Syväoppiminen on osa laajempaa oppimisrepresentaatioihin perustuvien koneoppimismenetelmien perhettä. Havainto (esim. kuva) voidaan esittää monella tapaa (esim. pikselien vektori), mutta jotkut esitykset helpottavat kiinnostavien tehtävien oppimista (esim. onko tämä kuva ihmisen kasvoista?) esimerkeistä, ja tämän alan tutkimus yrittää määritellä, mikä tekee paremmista esityksistä ja kuinka luoda malleja näiden esitysten oppimiseksi. Erilaisia ​​syväoppimisarkkitehtuuria, kuten syvän hermoverkkoja, konvoluutiopohjaisia ​​syviä hermoverkkoja ja syviä uskomusverkkoja, on sovellettu sellaisilla aloilla kuin tietokonenäkö, automaattinen puheentunnistus, luonnollisen kielen käsittely ja musiikin/äänisignaalin tunnistus, joissa niiden on osoitettu tuottavan tilan. - huippuluokan tuloksia erilaisissa tehtävissä. …

Keskitetty koordinaattioppiminen (CCL) Google
Syvien hermoverkkotekniikoiden (DNN) nopean kehityksen ja suurten kasvotietokantojen syntymisen ansiosta kasvojentunnistus on saavuttanut suurta menestystä viime vuosina. DNN:n koulutusprosessin aikana opittavat kasvopiirteet ja luokitteluvektorit ovat vuorovaikutuksessa toistensa kanssa, kun taas kasvojen piirteiden jakautuminen vaikuttaa pitkälti verkon konvergenssitilaan ja kasvojen samankaltaisuuslaskentaan testivaiheessa. Tässä työssä muotoilemme yhdessä kasvojen piirteiden ja luokitteluvektoreiden oppimisen sekä ehdotamme yksinkertaista mutta tehokasta keskitettyä koordinaattioppimismenetelmää (CCL), joka pakottaa piirteet hajautetusti koordinaattiavaruuteen ja varmistaa, että luokitteluvektorit sijaitsevat hypersfääri. Mukautuvaa kulmamarginaalia ehdotetaan edelleen parantamaan kasvojen piirteiden erottelukykyä. Laajoja kokeita suoritetaan kuudella kasvojen vertailuarvolla, mukaan lukien ne, joissa on suuri ikäero ja kovat negatiiviset näytteet. CCL-mallimme on koulutettu vain pienimuotoiseen CASIA Webface -tietosarjaan, jossa on 460 10 kasvokuvaa noin XNUMX XNUMX koehenkilöstä, ja se osoittaa korkean tehokkuuden ja yleisyyden osoittaen jatkuvasti kilpailukykyistä suorituskykyä kaikissa kuudessa vertailutietokannassa. …

Fast-Node2Vec Google
Node2Vec on huippuluokan yleiskäyttöinen ominaisuuksien oppimismenetelmä verkkoanalyysiin. Nykyiset ratkaisut eivät kuitenkaan pysty ajamaan Node2Veciä laajamittaisissa graafisissa miljardeissa pisteissä ja reunoissa, jotka ovat yleisiä tosielämän sovelluksissa. Nykyinen hajautettu Node2Vec Sparkissa kuluttaa huomattavasti tilaa ja aikaa. Sen muisti loppuu jopa keskikokoisille graafeille, joissa on miljoonia pisteitä. Lisäksi se ottaa huomioon enintään 30 reunaa jokaiselle kärkipisteelle luodessaan satunnaisia ​​kävelyjä, mikä aiheuttaa huonon tuloksen laadun. Tässä artikkelissa ehdotamme Fast-Node2Vec-perhettä, tehokkaiden Node2Vec-satunnaiskävelyalgoritmien perhettä Pregelin kaltaisessa graafinlaskentakehyksessä. Fast-Node2Vec laskee siirtymistodennäköisyydet satunnaisten kävelyjen aikana vähentääkseen muistitilan kulutusta ja laskentakustannuksia suuria kaavioita varten. Pregel-tyyppinen järjestelmä välttää tilan ja ajan Sparkin vain luku -RDD-rakenteiden ja sekoitustoimintojen yläpuolella. Lisäksi ehdotamme useita optimointitekniikoita, jotka vähentävät edelleen laskentakustannuksia suosituille huippupisteille, joilla on suuria asteita. Empiirinen arvio osoittaa, että Fast-Node2Vec pystyy laskemaan Node2Vec:n graafisille miljardeille pisteille ja reunoille keskikokoisessa koneklusterissa. Spark-Node2Vec:iin verrattuna Fast-Node2Vec saavuttaa 7.7–122-kertaiset nopeudet. …

Aikaleima:

Lisää aiheesta AnalytiXon