Если вы еще не знали

Если вы еще не знали

Отметка времени: 8 ноября 2023 г., 1:07
Исходный узел: 2969387

Рекомендации на основе глубокого обучения с подкреплением (DRR) Google
Рекомендации имеют решающее значение как в академических кругах, так и в промышленности, и предлагаются различные методы, такие как совместная фильтрация на основе контента, матричная факторизация, логистическая регрессия, машины факторизации, нейронные сети и многорукие бандиты. Однако большинство предыдущих исследований страдают от двух ограничений: (1) рассмотрение рекомендаций как статической процедуры и игнорирование динамического интерактивного характера между пользователями и рекомендательными системами, (2) сосредоточение внимания на немедленной обратной связи по рекомендуемым элементам и игнорирование длительного -срочные вознаграждения. Чтобы устранить эти два ограничения, в этой статье мы предлагаем новую систему рекомендаций, основанную на глубоком обучении с подкреплением, называемую DRR. Структура DRR рассматривает рекомендации как последовательную процедуру принятия решений и использует схему обучения с подкреплением «Актер-критик» для моделирования взаимодействия между пользователями и рекомендательными системами, которая может учитывать как динамическую адаптацию, так и долгосрочное вознаграждение. Кроме того, в DRR встроен модуль представления состояния, который может явно фиксировать взаимодействие между элементами и пользователями. Разработаны три структуры реализации. Обширные эксперименты на четырех реальных наборах данных проводятся как в автономном, так и в онлайн-режиме оценки. Результаты экспериментов показывают, что предлагаемый метод DRR действительно превосходит современных конкурентов. …

Глубокое обучение Google
Глубокое обучение — это набор алгоритмов машинного обучения, которые пытаются моделировать абстракции высокого уровня в данных, используя архитектуры, состоящие из множества нелинейных преобразований. Глубокое обучение является частью более широкого семейства методов машинного обучения, основанных на обучающих представлениях. Наблюдение (например, изображение) может быть представлено разными способами (например, вектором пикселей), но некоторые представления облегчают изучение интересующих задач (например, является ли это изображением человеческого лица?) на примерах. и исследования в этой области пытаются определить, что делает представления лучшими и как создавать модели для изучения этих представлений. Различные архитектуры глубокого обучения, такие как глубокие нейронные сети, сверточные глубокие нейронные сети и сети глубоких убеждений, применялись в таких областях, как компьютерное зрение, автоматическое распознавание речи, обработка естественного языка и распознавание музыки/аудио сигналов, где было показано, что они создают состояние. Новейшие результаты при решении различных задач. …

Централизованное координатное обучение (CCL) Google
Благодаря быстрому развитию методов глубоких нейронных сетей (DNN) и появлению крупномасштабных баз данных лиц, распознавание лиц в последние годы достигло больших успехов. В процессе обучения DNN изучаемые особенности лица и векторы классификации будут взаимодействовать друг с другом, в то время как распределение признаков лица будет в значительной степени влиять на состояние конвергенции сети и вычисление сходства лиц на этапе тестирования. В этой работе мы формулируем совместное обучение чертам лица и векторам классификации и предлагаем простой, но эффективный метод централизованного обучения координат (CCL), который обеспечивает рассредоточенное распределение признаков в координатном пространстве, одновременно гарантируя, что векторы классификации лежат на них. гиперсфера. Кроме того, предлагается адаптивный угловой запас для повышения способности различать черты лица. Обширные эксперименты проводятся по шести критериям лиц, в том числе с большой разницей в возрасте и жесткими отрицательными образцами. Обученная только на небольшом наборе данных CASIA Webface с 460 тысячами изображений лиц примерно 10 тысяч субъектов, наша модель CCL демонстрирует высокую эффективность и универсальность, демонстрируя стабильно конкурентоспособную производительность во всех шести эталонных базах данных. …

Fast-Node2Vec Google
Node2Vec — это современный универсальный метод обучения функциям сетевого анализа. Однако текущие решения не могут запускать Node2Vec на крупномасштабных графах с миллиардами вершин и ребер, которые часто встречаются в реальных приложениях. Существующий распределенный Node2Vec на Spark требует значительных затрат пространства и времени. Ему не хватает памяти даже для графов среднего размера с миллионами вершин. Более того, при генерации случайных блужданий он учитывает не более 30 ребер для каждой вершины, что приводит к плохому качеству результатов. В этой статье мы предлагаем Fast-Node2Vec, семейство эффективных алгоритмов случайного блуждания Node2Vec на основе Pregel-подобной среды вычислений на графах. Fast-Node2Vec вычисляет вероятности перехода во время случайных блужданий, чтобы уменьшить потребление памяти и накладные расходы на вычисления для крупномасштабных графов. Схема, подобная Pregel, позволяет избежать затрат пространства и времени на структуры RDD Spark, доступные только для чтения, и операции перемешивания. Более того, мы предлагаем ряд методов оптимизации для дальнейшего снижения затрат на вычисления для популярных вершин с большими степенями. Эмпирические оценки показывают, что Fast-Node2Vec способен вычислять Node2Vec на графах с миллиардами вершин и ребер в машинном кластере среднего размера. По сравнению с Spark-Node2Vec Fast-Node2Vec обеспечивает ускорение в 7.7–122 раза. …

Отметка времени:

Больше от Аналитиксон