אם עוד לא ידעת

אם עוד לא ידעת

חותמת זמן: 8 בנובמבר 2023 1:07
צומת המקור: 2969387

המלצה מבוססת למידה של חיזוקים עמוקים (DRR) google
ההמלצה היא חיונית הן באקדמיה והן בתעשייה, ומוצעות טכניקות שונות כגון סינון שיתופי מבוסס תוכן, פירוק מטריצות, רגרסיה לוגיסטית, מכונות פירוק לגורמים, רשתות עצביות ושודדים רב-זרועיים. עם זאת, רוב המחקרים הקודמים סובלים משתי מגבלות: (1) התחשבות בהמלצה כהליך סטטי והתעלמות מהאופי האינטראקטיבי הדינמי בין המשתמשים למערכות הממליצים, (2) התמקדות במשוב מיידי של פריטים מומלצים וזניחת הארוך. -תגמולים לטווח. כדי לטפל בשתי המגבלות, במאמר זה אנו מציעים מסגרת המלצות חדשה המבוססת על למידת חיזוק עמוק, הנקראת DRR. מסגרת ה-DRR מתייחסת להמלצה כהליך קבלת החלטות רציף ומאמצת תכנית למידת חיזוק 'שחקן-מבקר' כדי לדגמן את האינטראקציות בין המשתמשים למערכות הממליצים, שיכולה לשקול הן את ההסתגלות הדינמית והן את התגמולים לטווח ארוך. יתר על כן, מודול ייצוג מצב משולב ב-DRR, שיכול ללכוד במפורש את האינטראקציות בין פריטים ומשתמשים. שלושה מבני מופע מפותחים. ניסויים נרחבים בארבעה מערכי נתונים מהעולם האמיתי נערכים גם בהגדרות ההערכה הלא מקוונות וגם בהגדרות ההערכה המקוונת. תוצאות הניסוי מוכיחות ששיטת ה-DRR המוצעת אכן עולה על המתחרים המתקדמים. …

למידה עמוקה google
למידה עמוקה היא קבוצה של אלגוריתמים בלמידת מכונה המנסים ליצור מודל של הפשטות ברמה גבוהה בנתונים על ידי שימוש בארכיטקטורות המורכבות ממספר טרנספורמציות לא ליניאריות. למידה עמוקה היא חלק ממשפחה רחבה יותר של שיטות למידת מכונה המבוססות על ייצוגי למידה. תצפית (למשל, תמונה) יכולה להיות מיוצגת בדרכים רבות (למשל, וקטור של פיקסלים), אבל ייצוגים מסוימים מקלים על לימוד משימות מעניינות (למשל, האם זו תמונה של פנים אנושיות?) מדוגמאות, ומחקר בתחום זה מנסה להגדיר מה עושה ייצוגים טובים יותר וכיצד ליצור מודלים כדי ללמוד ייצוגים אלה. ארכיטקטורות שונות של למידה עמוקה כגון רשתות עצביות עמוקות, רשתות עצביות עמוקות קונבולוציוניות ורשתות אמונה עמוקות יושמו בתחומים כמו ראייה ממוחשבת, זיהוי דיבור אוטומטי, עיבוד שפה טבעית וזיהוי אותות מוזיקה/שמע, שבהם הוכח שהם מייצרים מצב תוצאות חדישות במשימות שונות. …

למידה תיאום מרכזית (CCL) google
הודות להתפתחות המהירה של טכניקות רשתות עצביות עמוקות (DNN) והופעתם של מאגרי מידע פנים בקנה מידה גדול, זיהוי פנים זכה להצלחה רבה בשנים האחרונות. במהלך תהליך ההכשרה של DNN, תכונות הפנים ווקטורי הסיווג שיילמדו יקיימו אינטראקציה זה עם זה, בעוד שהתפלגות תכונות הפנים תשפיע במידה רבה על מצב ההתכנסות של הרשת ועל מחשוב דמיון הפנים בשלב המבחן. בעבודה זו אנו מנסחים במשותף את הלמידה של תכונות פנים ווקטורי סיווג, ומציעים שיטה פשוטה אך יעילה למידת קואורדינטות מרכזית (CCL), אשר אוכפת את התכונות המפוזרות במרחב הקואורדינטות תוך הבטחה של וקטורי הסיווג לשכב עליהם. היפרספרה. שוליים זוויתיים אדפטיביים מוצעים עוד כדי לשפר את יכולת ההבחנה של תווי פנים. ניסויים נרחבים נערכים בשישה אמות מידה, כולל אלה עם פער גילאים גדול ודגימות שליליות קשות. מאומן רק על מערך הנתונים הקטן של CASIA Webface עם תמונות פנים של 460 מכ-10 נבדקים, מודל ה-CCL שלנו מפגין יעילות וכלליות גבוהות, ומראה ביצועים תחרותיים באופן עקבי בכל ששת מסדי הנתונים של השוואות. …

Fast-Node2Vec google
Node2Vec היא שיטת למידה מתקדמת של תכונות כלליות לניתוח רשת. עם זאת, הפתרונות הנוכחיים אינם יכולים להפעיל את Node2Vec על גרפים בקנה מידה גדול עם מיליארדי קודקודים וקצוות, הנפוצים ביישומים בעולם האמיתי. ה-Node2Vec המבוזר הקיים ב-Spark כרוך בתקורת שטח וזמן משמעותיים. נגמר לו הזיכרון אפילו עבור גרפים בגודל בינוני עם מיליוני קודקודים. יתר על כן, הוא מחשיב לכל היותר 30 קצוות עבור כל קודקוד ביצירת הליכות אקראיות, מה שגורם לאיכות תוצאה ירודה. במאמר זה, אנו מציעים את Fast-Node2Vec, משפחה של אלגוריתמים יעילים להליכה אקראית של Node2Vec על מסגרת חישוב גרפים דמוית Pregel. Fast-Node2Vec מחשב הסתברויות מעבר במהלך הליכות אקראיות כדי להפחית את צריכת שטח הזיכרון ותקורה חישובית עבור גרפים בקנה מידה גדול. הסכימה דמוית Pregel מונעת תקורה של מקום וזמן של מבני RDD לקריאה בלבד ופעולות ערבוב של Spark. יתר על כן, אנו מציעים מספר טכניקות אופטימיזציה כדי לצמצם עוד יותר את תקורה החישובית עבור קודקודים פופולריים עם דרגות גדולות. הערכה אמפירית מראה כי Fast-Node2Vec מסוגל לחשב את Node2Vec על גרפים עם מיליארדי קודקודים וקצוות על אשכול מכונה בגודל בינוני. בהשוואה ל-Spark-Node2Vec, Fast-Node2Vec משיגה מהירות של פי 7.7–122. …

בול זמן:

עוד מ AnalytiXon