Se você ainda não sabia

Se você ainda não sabia

Carimbo de data / hora: 8 de novembro de 2023 1h07
Nó Fonte: 2969387

Recomendação baseada em aprendizagem por reforço profundo (DRR) google
A recomendação é crucial tanto na academia quanto na indústria, e várias técnicas são propostas, como filtragem colaborativa baseada em conteúdo, fatoração de matrizes, regressão logística, máquinas de fatoração, redes neurais e bandidos multi-armados. No entanto, a maioria dos estudos anteriores sofre de duas limitações: (1) considerar a recomendação como um procedimento estático e ignorar a natureza interativa dinâmica entre os usuários e os sistemas de recomendação, (2) focar no feedback imediato dos itens recomendados e negligenciar o longo recompensas de longo prazo. Para abordar as duas limitações, neste artigo propomos uma nova estrutura de recomendação baseada em aprendizagem por reforço profundo, chamada RRD. A estrutura de RRD trata a recomendação como um procedimento sequencial de tomada de decisão e adota um esquema de aprendizagem por reforço 'Ator-Crítico' para modelar as interações entre os usuários e os sistemas de recomendação, que podem considerar tanto a adaptação dinâmica quanto as recompensas de longo prazo. Além disso, um módulo de representação de estado é incorporado ao DRR, que pode capturar explicitamente as interações entre itens e usuários. Três estruturas de instanciação são desenvolvidas. Extensos experimentos em quatro conjuntos de dados do mundo real são conduzidos em configurações de avaliação offline e online. Os resultados experimentais demonstram que o método DRR proposto realmente supera os concorrentes de última geração. …

Aprendizagem profunda google
O aprendizado profundo é um conjunto de algoritmos de aprendizado de máquina que tenta modelar abstrações de alto nível em dados usando arquiteturas compostas de múltiplas transformações não lineares. O aprendizado profundo faz parte de uma família mais ampla de métodos de aprendizado de máquina baseados em representações de aprendizagem. Uma observação (por exemplo, uma imagem) pode ser representada de várias maneiras (por exemplo, um vetor de pixels), mas algumas representações facilitam o aprendizado de tarefas de interesse (por exemplo, esta é a imagem de um rosto humano?) a partir de exemplos, e a pesquisa nesta área tenta definir o que constitui melhores representações e como criar modelos para aprender essas representações. Várias arquiteturas de aprendizagem profunda, como redes neurais profundas, redes neurais profundas convolucionais e redes de crenças profundas, foram aplicadas a campos como visão computacional, reconhecimento automático de fala, processamento de linguagem natural e reconhecimento de sinal de música/áudio, onde demonstraram produzir estados. resultados de última geração em diversas tarefas. …

Aprendizagem Centralizada de Coordenadas (CCL) google
Devido ao rápido desenvolvimento de técnicas de redes neurais profundas (DNN) e ao surgimento de bancos de dados faciais em grande escala, o reconhecimento facial alcançou grande sucesso nos últimos anos. Durante o processo de treinamento da DNN, os recursos faciais e os vetores de classificação a serem aprendidos interagirão entre si, enquanto a distribuição dos recursos faciais afetará amplamente o status de convergência da rede e a computação de similaridade facial no estágio de teste. Neste trabalho, formulamos conjuntamente o aprendizado de características faciais e vetores de classificação, e propomos um método simples, mas eficaz, de aprendizagem de coordenadas centralizadas (CCL), que faz com que os recursos sejam espalhados de forma dispersa no espaço de coordenadas, garantindo ao mesmo tempo que os vetores de classificação se encontrem. uma hiperesfera. Uma margem angular adaptativa é ainda proposta para aumentar a capacidade de discriminação das características faciais. Extensos experimentos são conduzidos em seis benchmarks de face, incluindo aqueles com grande diferença de idade e amostras duramente negativas. Treinado apenas no conjunto de dados CASIA Webface de pequena escala com 460 mil imagens faciais de cerca de 10 mil indivíduos, nosso modelo CCL demonstra alta eficácia e generalidade, mostrando desempenho competitivo consistente em todos os seis bancos de dados de referência. …

Fast-Node2Vec google
Node2Vec é um método de aprendizado de recursos de uso geral de última geração para análise de rede. No entanto, as soluções atuais não podem executar o Node2Vec em gráficos de grande escala com bilhões de vértices e arestas, que são comuns em aplicações do mundo real. O Node2Vec distribuído existente no Spark incorre em sobrecarga significativa de espaço e tempo. Fica sem memória mesmo para gráficos de tamanho médio com milhões de vértices. Além disso, considera no máximo 30 arestas para cada vértice na geração de passeios aleatórios, causando baixa qualidade do resultado. Neste artigo, propomos Fast-Node2Vec, uma família de algoritmos de passeio aleatório Node2Vec eficientes em uma estrutura de computação gráfica semelhante a Pregel. Fast-Node2Vec calcula probabilidades de transição durante passeios aleatórios para reduzir o consumo de espaço de memória e sobrecarga de computação para gráficos de grande escala. O esquema semelhante ao Pregel evita sobrecarga de espaço e tempo das estruturas RDD somente leitura e operações aleatórias do Spark. Além disso, propomos uma série de técnicas de otimização para reduzir ainda mais a sobrecarga computacional para vértices populares com graus grandes. A avaliação empírica mostra que Fast-Node2Vec é capaz de computar Node2Vec em gráficos com bilhões de vértices e arestas em um cluster de máquinas de médio porte. Comparado ao Spark-Node2Vec, o Fast-Node2Vec atinge velocidades de 7.7–122x. …

Carimbo de hora:

Mais de AnalytiXon