Se non lo sapessi già

Se non lo sapessi già

Timestamp: 8 novembre 2023 1:07 AM
Nodo di origine: 2969387

Raccomandazione basata sull'apprendimento per rinforzo profondo (DRR) google
La raccomandazione è fondamentale sia nel mondo accademico che nell'industria e vengono proposte varie tecniche come il filtraggio collaborativo basato sui contenuti, la fattorizzazione di matrici, la regressione logistica, le macchine di fattorizzazione, le reti neurali e i banditi multi-armati. Tuttavia, la maggior parte degli studi precedenti soffre di due limitazioni: (1) considerare la raccomandazione come una procedura statica e ignorare la natura interattiva e dinamica tra gli utenti e i sistemi di raccomandazione, (2) concentrarsi sul feedback immediato degli elementi raccomandati e trascurare il lungo processo di raccomandazione. premi a termine. Per affrontare le due limitazioni, in questo articolo proponiamo un nuovo quadro di raccomandazioni basato sull’apprendimento per rinforzo profondo, chiamato DRR. Il quadro DRR tratta la raccomandazione come una procedura decisionale sequenziale e adotta uno schema di apprendimento di rinforzo "attore-critico" per modellare le interazioni tra gli utenti e i sistemi di raccomandazione, che può considerare sia l'adattamento dinamico che le ricompense a lungo termine. Inoltre, in DRR è incorporato un modulo di rappresentazione dello stato, che può catturare esplicitamente le interazioni tra elementi e utenti. Vengono sviluppate tre strutture di istanziazione. Esperimenti approfonditi su quattro set di dati del mondo reale vengono condotti sia in modalità di valutazione offline che online. I risultati sperimentali dimostrano che il metodo DRR proposto supera effettivamente i concorrenti all’avanguardia. …

Deep Learning google
Il deep learning è un insieme di algoritmi di machine learning che tentano di modellare astrazioni di alto livello nei dati utilizzando architetture composte da più trasformazioni non lineari. Il deep learning fa parte di una famiglia più ampia di metodi di machine learning basati su rappresentazioni di apprendimento. Un'osservazione (ad esempio, un'immagine) può essere rappresentata in molti modi (ad esempio, un vettore di pixel), ma alcune rappresentazioni rendono più semplice apprendere compiti di interesse (ad esempio, è questa l'immagine di un volto umano?) da esempi, e la ricerca in quest'area tenta di definire cosa rende rappresentazioni migliori e come creare modelli per apprendere queste rappresentazioni. Varie architetture di deep learning come reti neurali profonde, reti neurali profonde convoluzionali e reti di credenze profonde sono state applicate a campi come la visione artificiale, il riconoscimento vocale automatico, l'elaborazione del linguaggio naturale e il riconoscimento di segnali musicali/audio dove è stato dimostrato che producono stati risultati all'avanguardia su vari compiti. …

Apprendimento delle coordinate centralizzato (CCL) google
Grazie al rapido sviluppo delle tecniche di rete neurale profonda (DNN) e all’emergere di database di volti su larga scala, il riconoscimento facciale ha ottenuto un grande successo negli ultimi anni. Durante il processo di addestramento della DNN, le caratteristiche del volto e i vettori di classificazione da apprendere interagiranno tra loro, mentre la distribuzione delle caratteristiche del volto influenzerà ampiamente lo stato di convergenza della rete e il calcolo della somiglianza del volto in fase di test. In questo lavoro, formuliamo congiuntamente l'apprendimento delle caratteristiche del volto e dei vettori di classificazione e proponiamo un metodo di apprendimento delle coordinate centralizzato (CCL) semplice ma efficace, che impone che le caratteristiche siano sparse in modo disperso nello spazio delle coordinate garantendo al tempo stesso che i vettori di classificazione giacciano su un'ipersfera. Viene inoltre proposto un margine angolare adattivo per migliorare la capacità di discriminazione delle caratteristiche del viso. Vengono condotti esperimenti approfonditi su sei benchmark di volti, compresi quelli con un ampio divario di età e campioni fortemente negativi. Addestrato solo sul set di dati CASIA Webface su piccola scala con 460 immagini di volti provenienti da circa 10 soggetti, il nostro modello CCL dimostra elevata efficacia e generalità, mostrando prestazioni costantemente competitive in tutti i sei database di riferimento. …

Nodo veloce2Vec google
Node2Vec è un metodo di apprendimento delle funzionalità di uso generale all'avanguardia per l'analisi di rete. Tuttavia, le soluzioni attuali non possono eseguire Node2Vec su grafici su larga scala con miliardi di vertici e bordi, che sono comuni nelle applicazioni del mondo reale. Il Node2Vec distribuito esistente su Spark comporta un notevole sovraccarico di spazio e tempo. La memoria è esaurita anche per i grafici di medie dimensioni con milioni di vertici. Inoltre, considera al massimo 30 spigoli per ogni vertice nel generare passeggiate casuali, causando una scarsa qualità dei risultati. In questo articolo proponiamo Fast-Node2Vec, una famiglia di efficienti algoritmi di camminata casuale Node2Vec su un framework di calcolo grafico simile a Pregel. Fast-Node2Vec calcola le probabilità di transizione durante le passeggiate casuali per ridurre il consumo di spazio di memoria e il sovraccarico di calcolo per grafici su larga scala. Lo schema simile a Pregel evita il sovraccarico spazio-temporale delle strutture RDD di sola lettura e delle operazioni di shuffle di Spark. Inoltre, proponiamo una serie di tecniche di ottimizzazione per ridurre ulteriormente il sovraccarico di calcolo per i vertici più diffusi con gradi elevati. La valutazione empirica mostra che Fast-Node2Vec è in grado di calcolare Node2Vec su grafici con miliardi di vertici e bordi su un cluster di macchine di medie dimensioni. Rispetto a Spark-Node2Vec, Fast-Node2Vec raggiunge accelerazioni da 7.7 a 122 volte. …

Timestamp:

Di più da AnalytiXon