अगर आपको पहले से पता नहीं था

अगर आपको पहले से पता नहीं था

समय टिकट: 8 नवंबर, 2023 1:07 AM
स्रोत नोड: 2969387

गहन सुदृढीकरण शिक्षण आधारित अनुशंसा (डीआरआर) गूगल
शिक्षा और उद्योग दोनों में सिफारिश महत्वपूर्ण है, और विभिन्न तकनीकें प्रस्तावित हैं जैसे सामग्री-आधारित सहयोगात्मक फ़िल्टरिंग, मैट्रिक्स फ़ैक्टराइज़ेशन, लॉजिस्टिक रिग्रेशन, फ़ैक्टराइज़ेशन मशीनें, तंत्रिका नेटवर्क और बहु-सशस्त्र डाकू। हालाँकि, पिछले अधिकांश अध्ययन दो सीमाओं से ग्रस्त हैं: (1) अनुशंसा को एक स्थिर प्रक्रिया के रूप में मानना ​​और उपयोगकर्ताओं और अनुशंसाकर्ता प्रणालियों के बीच गतिशील इंटरैक्टिव प्रकृति की अनदेखी करना, (2) अनुशंसित वस्तुओं की तत्काल प्रतिक्रिया पर ध्यान केंद्रित करना और लंबी अवधि की उपेक्षा करना -अवधि पुरस्कार. दो सीमाओं को संबोधित करने के लिए, इस पेपर में हम गहन सुदृढीकरण सीखने पर आधारित एक उपन्यास अनुशंसा ढांचे का प्रस्ताव करते हैं, जिसे डीआरआर कहा जाता है। डीआरआर ढांचा अनुशंसा को अनुक्रमिक निर्णय लेने की प्रक्रिया के रूप में मानता है और उपयोगकर्ताओं और अनुशंसाकर्ता प्रणालियों के बीच बातचीत को मॉडल करने के लिए 'अभिनेता-आलोचक' सुदृढीकरण सीखने की योजना को अपनाता है, जो गतिशील अनुकूलन और दीर्घकालिक पुरस्कार दोनों पर विचार कर सकता है। इसके अलावा, एक राज्य प्रतिनिधित्व मॉड्यूल को डीआरआर में शामिल किया गया है, जो वस्तुओं और उपयोगकर्ताओं के बीच बातचीत को स्पष्ट रूप से कैप्चर कर सकता है। तीन इन्स्टेन्शियशन संरचनाएँ विकसित की गई हैं। चार वास्तविक दुनिया डेटासेट पर व्यापक प्रयोग ऑफ़लाइन और ऑनलाइन दोनों मूल्यांकन सेटिंग्स के तहत आयोजित किए जाते हैं। प्रायोगिक परिणाम दर्शाते हैं कि प्रस्तावित डीआरआर पद्धति वास्तव में अत्याधुनिक प्रतिस्पर्धियों से बेहतर प्रदर्शन करती है। …

गहरी सीख गूगल
डीप लर्निंग मशीन लर्निंग में एल्गोरिदम का एक सेट है जो कई गैर-रेखीय परिवर्तनों से बने आर्किटेक्चर का उपयोग करके डेटा में उच्च-स्तरीय अमूर्त मॉडल बनाने का प्रयास करता है। डीप लर्निंग, सीखने के अभ्यावेदन पर आधारित मशीन लर्निंग विधियों के एक व्यापक परिवार का हिस्सा है। एक अवलोकन (उदाहरण के लिए, एक छवि) को कई तरीकों से दर्शाया जा सकता है (उदाहरण के लिए, पिक्सेल का एक वेक्टर), लेकिन कुछ प्रतिनिधित्व उदाहरणों से रुचि के कार्यों को सीखना आसान बनाते हैं (उदाहरण के लिए, क्या यह मानव चेहरे की छवि है?) और इस क्षेत्र में अनुसंधान यह परिभाषित करने का प्रयास करता है कि क्या बेहतर प्रतिनिधित्व करता है और इन प्रतिनिधित्वों को सीखने के लिए मॉडल कैसे बनाएं। विभिन्न गहन शिक्षण आर्किटेक्चर जैसे कि गहरे तंत्रिका नेटवर्क, दृढ़ तंत्रिका नेटवर्क और गहरे विश्वास नेटवर्क को कंप्यूटर विज़न, स्वचालित भाषण पहचान, प्राकृतिक भाषा प्रसंस्करण और संगीत/ऑडियो सिग्नल पहचान जैसे क्षेत्रों में लागू किया गया है, जहां उन्हें स्थिति उत्पन्न करने के लिए दिखाया गया है। विभिन्न कार्यों पर अत्याधुनिक परिणाम। …

केंद्रीकृत समन्वय शिक्षण (सीसीएल) गूगल
डीप न्यूरल नेटवर्क (डीएनएन) तकनीकों के तेजी से विकास और बड़े पैमाने पर फेस डेटाबेस के उद्भव के कारण, फेस रिकग्निशन ने हाल के वर्षों में बड़ी सफलता हासिल की है। डीएनएन की प्रशिक्षण प्रक्रिया के दौरान, सीखे जाने वाले चेहरे की विशेषताएं और वर्गीकरण वैक्टर एक-दूसरे के साथ बातचीत करेंगे, जबकि चेहरे की विशेषताओं का वितरण बड़े पैमाने पर नेटवर्क की अभिसरण स्थिति और परीक्षण चरण में चेहरे की समानता कंप्यूटिंग को प्रभावित करेगा। इस कार्य में, हम संयुक्त रूप से चेहरे की विशेषताओं और वर्गीकरण वैक्टरों की सीख तैयार करते हैं, और एक सरल लेकिन प्रभावी केंद्रीकृत समन्वय शिक्षण (सीसीएल) पद्धति का प्रस्ताव करते हैं, जो वर्गीकरण वैक्टरों को सुनिश्चित करते हुए समन्वय स्थान में फैली हुई सुविधाओं को लागू करता है। एक हाइपरस्फेयर. चेहरे की विशेषताओं की भेदभाव क्षमता को बढ़ाने के लिए एक अनुकूली कोणीय मार्जिन का प्रस्ताव दिया गया है। छह फेस बेंचमार्क पर व्यापक प्रयोग किए जाते हैं, जिनमें बड़े आयु अंतर और कठिन नकारात्मक नमूने शामिल हैं। लगभग 460K विषयों से 10K चेहरे की छवियों के साथ केवल छोटे पैमाने के CASIA वेबफेस डेटासेट पर प्रशिक्षित, हमारा CCL मॉडल सभी छह बेंचमार्क डेटाबेस में लगातार प्रतिस्पर्धी प्रदर्शन दिखाते हुए उच्च प्रभावशीलता और व्यापकता प्रदर्शित करता है। …

फास्ट-Node2Vec गूगल
Node2Vec नेटवर्क विश्लेषण के लिए एक अत्याधुनिक सामान्य प्रयोजन सुविधा सीखने की विधि है। हालाँकि, वर्तमान समाधान अरबों शीर्षों और किनारों वाले बड़े पैमाने के ग्राफ़ पर Node2Vec नहीं चला सकते हैं, जो वास्तविक दुनिया के अनुप्रयोगों में आम हैं। स्पार्क पर मौजूदा वितरित Node2Vec महत्वपूर्ण स्थान और समय ओवरहेड लेता है। यहां तक ​​कि लाखों शीर्षों वाले मध्यम आकार के ग्राफ़ के लिए भी इसकी मेमोरी ख़त्म हो जाती है। इसके अलावा, यह रैंडम वॉक उत्पन्न करने में प्रत्येक शीर्ष के लिए अधिकतम 30 किनारों पर विचार करता है, जिससे परिणाम की गुणवत्ता खराब होती है। इस पेपर में, हम प्रीगेल-जैसे ग्राफ़ गणना ढांचे पर कुशल Node2Vec रैंडम वॉक एल्गोरिदम के एक परिवार, फास्ट-नोड2Vec का प्रस्ताव करते हैं। फास्ट-नोड2Vec बड़े पैमाने के ग्राफ़ के लिए मेमोरी स्पेस की खपत और गणना ओवरहेड को कम करने के लिए यादृच्छिक वॉक के दौरान संक्रमण संभावनाओं की गणना करता है। प्रीगेल जैसी योजना स्पार्क की केवल-पढ़ने योग्य आरडीडी संरचनाओं और फेरबदल संचालन के स्थान और समय के ओवरहेड से बचती है। इसके अलावा, हम बड़ी डिग्री वाले लोकप्रिय शीर्षों के लिए गणना ओवरहेड को और कम करने के लिए कई अनुकूलन तकनीकों का प्रस्ताव करते हैं। अनुभवजन्य मूल्यांकन से पता चलता है कि फास्ट-नोड2Vec एक मध्यम आकार के मशीन क्लस्टर पर अरबों शीर्षों और किनारों वाले ग्राफ़ पर Node2Vec की गणना करने में सक्षम है। स्पार्क-नोड2Vec की तुलना में, फास्ट-नोड2Vec 7.7–122x स्पीडअप प्राप्त करता है। …

समय टिकट:

से अधिक एनालेटिक्‍सॉन