Si vous ne le saviez pas déjà

Si vous ne le saviez pas déjà

Horodatage: 8 novembre 2023, 1 h 07
Nœud source: 2969387

Recommandation basée sur l'apprentissage par renforcement profond (DRR) google
La recommandation est cruciale tant dans le milieu universitaire que dans l'industrie, et diverses techniques sont proposées telles que le filtrage collaboratif basé sur le contenu, la factorisation matricielle, la régression logistique, les machines de factorisation, les réseaux de neurones et les bandits multi-bras. Cependant, la plupart des études précédentes souffrent de deux limites : (1) considérer la recommandation comme une procédure statique et ignorer la nature interactive et dynamique entre les utilisateurs et les systèmes de recommandation, (2) se concentrer sur la rétroaction immédiate des éléments recommandés et négliger la longue période. -récompenses à terme. Pour remédier à ces deux limitations, nous proposons dans cet article un nouveau cadre de recommandation basé sur l'apprentissage par renforcement profond, appelé DRR. Le cadre DRR traite la recommandation comme une procédure de prise de décision séquentielle et adopte un schéma d'apprentissage par renforcement « acteur-critique » pour modéliser les interactions entre les utilisateurs et les systèmes de recommandation, qui peuvent prendre en compte à la fois l'adaptation dynamique et les récompenses à long terme. De plus, un module de représentation d'état est intégré à DRR, qui peut capturer explicitement les interactions entre les éléments et les utilisateurs. Trois structures d'instanciation sont développées. Des expériences approfondies sur quatre ensembles de données du monde réel sont menées dans les paramètres d'évaluation hors ligne et en ligne. Les résultats expérimentaux démontrent que la méthode DRR proposée surpasse effectivement les concurrents de pointe. …

L'apprentissage en profondeur google
L'apprentissage profond est un ensemble d'algorithmes d'apprentissage automatique qui tentent de modéliser des abstractions de haut niveau dans les données en utilisant des architectures composées de plusieurs transformations non linéaires. L’apprentissage profond fait partie d’une famille plus large de méthodes d’apprentissage automatique basées sur des représentations d’apprentissage. Une observation (par exemple, une image) peut être représentée de plusieurs manières (par exemple, un vecteur de pixels), mais certaines représentations facilitent l'apprentissage de tâches intéressantes (par exemple, est-ce l'image d'un visage humain ?) à partir d'exemples, et la recherche dans ce domaine tente de définir ce qui fait de meilleures représentations et comment créer des modèles pour apprendre ces représentations. Diverses architectures d'apprentissage profond telles que les réseaux de neurones profonds, les réseaux de neurones profonds convolutifs et les réseaux de croyances profondes ont été appliquées à des domaines tels que la vision par ordinateur, la reconnaissance automatique de la parole, le traitement du langage naturel et la reconnaissance des signaux musicaux/audio, où il a été démontré qu'elles produisent des états. Des résultats de pointe sur diverses tâches. …

Apprentissage coordonné centralisé (CCL) google
Grâce au développement rapide des techniques de réseaux neuronaux profonds (DNN) et à l’émergence de bases de données de visages à grande échelle, la reconnaissance faciale a connu un grand succès ces dernières années. Au cours du processus de formation du DNN, les caractéristiques du visage et les vecteurs de classification à apprendre interagiront les uns avec les autres, tandis que la répartition des caractéristiques du visage affectera largement l'état de convergence du réseau et le calcul de similarité des visages en phase de test. Dans ce travail, nous formulons conjointement l'apprentissage des caractéristiques du visage et des vecteurs de classification, et proposons une méthode d'apprentissage de coordonnées centralisé (CCL) simple mais efficace, qui impose aux caractéristiques d'être dispersées dans l'espace de coordonnées tout en garantissant que les vecteurs de classification reposent sur une hypersphère. Une marge angulaire adaptative est en outre proposée pour améliorer la capacité de discrimination des caractéristiques du visage. Des expériences approfondies sont menées sur six références de visages, y compris celles présentant un écart d'âge important et des échantillons fortement négatifs. Formé uniquement sur l'ensemble de données CASIA Webface à petite échelle avec 460 10 images de visages provenant d'environ XNUMX XNUMX sujets, notre modèle CCL démontre une efficacité et une généralité élevées, affichant des performances constamment compétitives dans les six bases de données de référence. …

Noeud rapide2Vec google
Node2Vec est une méthode d'apprentissage de fonctionnalités à usage général de pointe pour l'analyse de réseau. Cependant, les solutions actuelles ne peuvent pas exécuter Node2Vec sur des graphes à grande échelle comportant des milliards de sommets et d'arêtes, ce qui est courant dans les applications du monde réel. Le Node2Vec distribué existant sur Spark entraîne une surcharge d'espace et de temps importante. Il manque de mémoire, même pour les graphiques de taille moyenne comportant des millions de sommets. De plus, il prend en compte au plus 30 arêtes pour chaque sommet pour générer des marches aléatoires, ce qui entraîne une mauvaise qualité des résultats. Dans cet article, nous proposons Fast-Node2Vec, une famille d'algorithmes de marche aléatoire Node2Vec efficaces sur un cadre de calcul de graphes de type Pregel. Fast-Node2Vec calcule les probabilités de transition lors de parcours aléatoires pour réduire la consommation d'espace mémoire et la surcharge de calcul pour les graphiques à grande échelle. Le schéma de type Pregel évite la surcharge spatiale et temporelle des structures RDD en lecture seule et des opérations de lecture aléatoire de Spark. De plus, nous proposons un certain nombre de techniques d'optimisation pour réduire davantage la charge de calcul pour les sommets populaires avec de grands degrés. Une évaluation empirique montre que Fast-Node2Vec est capable de calculer Node2Vec sur des graphiques comportant des milliards de sommets et d'arêtes sur un cluster de machines de taille moyenne. Par rapport à Spark-Node2Vec, Fast-Node2Vec atteint des accélérations de 7.7 à 122x. …

Horodatage:

Plus de AnalyseXon