Jika Anda belum tahu

Jika Anda belum tahu

Stempel Waktu: 8 November 2023 1
Node Sumber: 2969387

Rekomendasi Berbasis Pembelajaran Penguatan Mendalam (DRR) google
Rekomendasi sangat penting baik di dunia akademis maupun industri, dan berbagai teknik diusulkan seperti pemfilteran kolaboratif berbasis konten, faktorisasi matriks, regresi logistik, mesin faktorisasi, jaringan saraf, dan bandit multi-bersenjata. Namun, sebagian besar penelitian sebelumnya mempunyai dua keterbatasan: (1) mempertimbangkan rekomendasi sebagai prosedur statis dan mengabaikan sifat interaktif dinamis antara pengguna dan sistem pemberi rekomendasi, (2) berfokus pada umpan balik langsung dari item yang direkomendasikan dan mengabaikan umpan balik jangka panjang. - imbalan jangka panjang. Untuk mengatasi dua keterbatasan tersebut, dalam makalah ini kami mengusulkan kerangka rekomendasi baru berdasarkan pembelajaran penguatan mendalam, yang disebut PRB. Kerangka kerja PRB memperlakukan rekomendasi sebagai prosedur pengambilan keputusan yang berurutan dan mengadopsi skema pembelajaran penguatan 'Aktor-Kritikus' untuk memodelkan interaksi antara pengguna dan sistem pemberi rekomendasi, yang dapat mempertimbangkan adaptasi dinamis dan imbalan jangka panjang. Selain itu, modul representasi negara dimasukkan ke dalam PRB, yang secara eksplisit dapat menangkap interaksi antara item dan pengguna. Tiga struktur instantiasi dikembangkan. Eksperimen ekstensif pada empat kumpulan data dunia nyata dilakukan dalam pengaturan evaluasi offline dan online. Hasil percobaan menunjukkan bahwa metode PRB yang diusulkan memang mengungguli metode pesaing yang paling canggih. …

Belajar mendalam google
Pembelajaran mendalam adalah sekumpulan algoritme dalam pembelajaran mesin yang berupaya memodelkan abstraksi tingkat tinggi dalam data dengan menggunakan arsitektur yang terdiri dari beberapa transformasi non-linier. Pembelajaran mendalam adalah bagian dari rangkaian metode pembelajaran mesin yang lebih luas berdasarkan representasi pembelajaran. Suatu pengamatan (misalnya gambar) dapat direpresentasikan dalam banyak cara (misalnya vektor piksel), namun beberapa representasi memudahkan untuk mempelajari tugas-tugas yang menarik (misalnya, apakah ini gambar wajah manusia?) dari contoh, dan penelitian di bidang ini berupaya untuk menentukan apa yang membuat representasi lebih baik dan bagaimana membuat model untuk mempelajari representasi tersebut. Berbagai arsitektur pembelajaran mendalam seperti jaringan saraf dalam, jaringan saraf dalam konvolusional, dan jaringan kepercayaan mendalam telah diterapkan pada bidang-bidang seperti visi komputer, pengenalan ucapan otomatis, pemrosesan bahasa alami, dan pengenalan sinyal musik/audio yang terbukti menghasilkan keadaan -hasil terbaik pada berbagai tugas. …

Pembelajaran Koordinat Terpusat (CCL) google
Berkat pesatnya perkembangan teknik jaringan saraf dalam (DNN) dan munculnya database wajah berskala besar, pengenalan wajah telah mencapai kesuksesan besar dalam beberapa tahun terakhir. Selama proses pelatihan DNN, fitur wajah dan vektor klasifikasi yang akan dipelajari akan berinteraksi satu sama lain, sedangkan distribusi fitur wajah akan sangat mempengaruhi status konvergensi jaringan dan komputasi kesamaan wajah pada tahap pengujian. Dalam karya ini, kami merumuskan bersama-sama pembelajaran fitur wajah dan vektor klasifikasi, dan mengusulkan metode pembelajaran koordinat terpusat (CCL) yang sederhana namun efektif, yang menerapkan fitur-fitur yang tersebar secara tersebar dalam ruang koordinat sambil memastikan vektor klasifikasi berada pada tempatnya. sebuah hipersfer. Margin sudut adaptif selanjutnya diusulkan untuk meningkatkan kemampuan diskriminasi fitur wajah. Eksperimen ekstensif dilakukan pada enam tolok ukur wajah, termasuk yang memiliki kesenjangan usia yang besar dan sampel yang sangat negatif. Dilatih hanya pada kumpulan data CASIA Webface skala kecil dengan 460 ribu gambar wajah dari sekitar 10 ribu subjek, model CCL kami menunjukkan efektivitas dan keumuman yang tinggi, menunjukkan kinerja kompetitif yang konsisten di keenam basis data tolok ukur. …

Cepat-Node2Vec google
Node2Vec adalah metode pembelajaran fitur tujuan umum yang canggih untuk analisis jaringan. Namun, solusi saat ini tidak dapat menjalankan Node2Vec pada grafik skala besar dengan miliaran simpul dan tepi, yang umum terjadi pada aplikasi dunia nyata. Node2Vec terdistribusi yang ada di Spark memerlukan overhead ruang dan waktu yang signifikan. Kehabisan memori bahkan untuk graf berukuran sedang dengan jutaan simpul. Selain itu, ia mempertimbangkan paling banyak 30 sisi untuk setiap titik dalam menghasilkan jalan acak, sehingga menyebabkan kualitas hasil yang buruk. Dalam tulisan ini, kami mengusulkan Fast-Node2Vec, sebuah keluarga algoritma random walk Node2Vec yang efisien pada kerangka komputasi grafik mirip Pregel. Fast-Node2Vec menghitung probabilitas transisi selama penjelajahan acak untuk mengurangi konsumsi ruang memori dan overhead komputasi untuk grafik skala besar. Skema mirip Pregel menghindari overhead ruang dan waktu dari struktur RDD read-only dan operasi pengacakan Spark. Selain itu, kami mengusulkan sejumlah teknik optimasi untuk mengurangi overhead komputasi untuk simpul populer dengan derajat besar. Evaluasi empiris menunjukkan bahwa Fast-Node2Vec mampu menghitung Node2Vec pada grafik dengan miliaran simpul dan tepi pada cluster mesin berukuran sedang. Dibandingkan dengan Spark-Node2Vec, Fast-Node2Vec mencapai peningkatan kecepatan 7.7–122x. …

Stempel Waktu:

Lebih dari AnalisisXon