ถ้ายังไม่รู้

ถ้ายังไม่รู้

ประทับเวลา: 8 พฤศจิกายน 2023 1:07 น
โหนดต้นทาง: 2969387

คำแนะนำการเรียนรู้แบบเสริมกำลังเชิงลึก (DRR) Google
ข้อเสนอแนะเป็นสิ่งสำคัญทั้งในด้านวิชาการและอุตสาหกรรม และมีการนำเสนอเทคนิคต่างๆ เช่น การกรองการทำงานร่วมกันตามเนื้อหา การแยกตัวประกอบเมทริกซ์ การถดถอยโลจิสติก เครื่องแยกตัวประกอบ โครงข่ายประสาทเทียม และโจรที่มีอาวุธหลากหลาย อย่างไรก็ตาม การศึกษาก่อนหน้านี้ส่วนใหญ่ประสบปัญหาจากข้อจำกัดสองประการ: (1) การพิจารณาคำแนะนำเป็นขั้นตอนคงที่ และไม่สนใจลักษณะการโต้ตอบแบบไดนามิกระหว่างผู้ใช้และระบบผู้แนะนำ (2) มุ่งเน้นไปที่การตอบรับทันทีของรายการที่แนะนำ และละเลยระยะยาว -ผลตอบแทนระยะยาว เพื่อจัดการกับข้อจำกัดทั้งสองนี้ ในบทความนี้ เราเสนอกรอบข้อเสนอแนะใหม่โดยอิงจากการเรียนรู้แบบเสริมกำลังเชิงลึกที่เรียกว่า DRR กรอบงาน DRR ถือว่าข้อเสนอแนะเป็นขั้นตอนการตัดสินใจตามลำดับ และใช้แผนการเรียนรู้เสริม "นักแสดง-นักวิจารณ์" เพื่อสร้างแบบจำลองปฏิสัมพันธ์ระหว่างผู้ใช้และระบบผู้แนะนำ ซึ่งสามารถพิจารณาทั้งการปรับตัวแบบไดนามิกและผลตอบแทนระยะยาว นอกจากนี้ โมดูลการแสดงสถานะยังรวมอยู่ใน DRR ซึ่งสามารถจับภาพการโต้ตอบระหว่างรายการและผู้ใช้ได้อย่างชัดเจน มีการพัฒนาโครงสร้างอินสแตนซ์สามแบบ การทดลองอย่างกว้างขวางกับชุดข้อมูลในโลกแห่งความเป็นจริงสี่ชุดดำเนินการภายใต้การตั้งค่าการประเมินทั้งแบบออฟไลน์และออนไลน์ ผลการทดลองแสดงให้เห็นว่าวิธี DRR ที่เสนอมีประสิทธิภาพเหนือกว่าคู่แข่งที่ล้ำสมัยอย่างแท้จริง …

การเรียนรู้ลึก ๆ Google
การเรียนรู้เชิงลึกคือชุดของอัลกอริธึมในการเรียนรู้ของเครื่องที่พยายามสร้างแบบจำลองนามธรรมในข้อมูลระดับสูงโดยใช้สถาปัตยกรรมที่ประกอบด้วยการแปลงที่ไม่ใช่เชิงเส้นหลายรายการ การเรียนรู้เชิงลึกเป็นส่วนหนึ่งของกลุ่มวิธีการเรียนรู้ของเครื่องที่กว้างขึ้นโดยอิงตามการนำเสนอการเรียนรู้ การสังเกต (เช่น รูปภาพ) สามารถแสดงได้หลายวิธี (เช่น เวกเตอร์ของพิกเซล) แต่การแสดงบางอย่างทำให้ง่ายต่อการเรียนรู้งานที่สนใจ (เช่น นี่คือภาพใบหน้ามนุษย์หรือไม่) จากตัวอย่าง และการวิจัยในพื้นที่นี้พยายามที่จะกำหนดสิ่งที่ทำให้เกิดการเป็นตัวแทนที่ดีขึ้น และวิธีการสร้างแบบจำลองเพื่อเรียนรู้การเป็นตัวแทนเหล่านี้ สถาปัตยกรรมการเรียนรู้เชิงลึกต่างๆ เช่น โครงข่ายประสาทเทียมเชิงลึก โครงข่ายประสาทเทียมเชิงลึกเชิงลึก และเครือข่ายเชิงลึกได้ถูกนำไปใช้กับสาขาต่างๆ เช่น คอมพิวเตอร์วิทัศน์ การรู้จำคำพูดอัตโนมัติ การประมวลผลภาษาธรรมชาติ และการจดจำสัญญาณเสียง/เพลง ซึ่งแสดงให้เห็นว่าสถาปัตยกรรมเหล่านี้สร้างสถานะ - ผลลัพธ์อันล้ำสมัยในงานต่างๆ …

การเรียนรู้การประสานงานแบบรวมศูนย์ (CCL) Google
เนื่องจากการพัฒนาอย่างรวดเร็วของเทคนิค Deep Neural Network (DNN) และการเกิดขึ้นของฐานข้อมูลใบหน้าขนาดใหญ่ การจดจำใบหน้าจึงประสบความสำเร็จอย่างมากในช่วงไม่กี่ปีที่ผ่านมา ในระหว่างกระบวนการฝึกอบรมของ DNN คุณลักษณะของใบหน้าและเวกเตอร์การจำแนกประเภทที่จะเรียนรู้จะมีปฏิสัมพันธ์ซึ่งกันและกัน ในขณะที่การกระจายคุณลักษณะของใบหน้าจะส่งผลอย่างมากต่อสถานะการบรรจบกันของเครือข่ายและการคำนวณความคล้ายคลึงของใบหน้าในขั้นตอนการทดสอบ ในงานนี้ เราร่วมกันกำหนดการเรียนรู้เกี่ยวกับคุณลักษณะของใบหน้าและเวกเตอร์การจำแนกประเภท และเสนอวิธีการเรียนรู้พิกัดจากส่วนกลาง (CCL) ที่เรียบง่ายแต่มีประสิทธิภาพ ซึ่งบังคับให้คุณลักษณะต่างๆ ขยายออกไปในพื้นที่พิกัด ในขณะเดียวกันก็ทำให้เวกเตอร์การจำแนกประเภทวางอยู่ ไฮเปอร์สเฟียร์ มีการเสนอระยะขอบเชิงมุมที่ปรับเปลี่ยนได้เพื่อเพิ่มความสามารถในการแยกแยะลักษณะใบหน้า มีการทดลองอย่างกว้างขวางโดยใช้เกณฑ์มาตรฐานหกหน้า รวมถึงการทดสอบที่มีช่องว่างอายุมากและตัวอย่างที่ให้ผลลบอย่างหนัก ฝึกฝนเฉพาะชุดข้อมูล CASIA Webface ขนาดเล็กที่มีภาพใบหน้า 460 ภาพจากวัตถุประมาณ 10 รายการ โมเดล CCL ของเราแสดงให้เห็นถึงประสิทธิภาพและความครอบคลุมสูง โดยแสดงประสิทธิภาพการแข่งขันที่สม่ำเสมอในฐานข้อมูลการวัดประสิทธิภาพทั้ง XNUMX รายการ …

Fast-Node2Vec Google
Node2Vec เป็นวิธีการเรียนรู้ฟีเจอร์อเนกประสงค์ที่ล้ำสมัยสำหรับการวิเคราะห์เครือข่าย อย่างไรก็ตาม โซลูชันปัจจุบันไม่สามารถรัน Node2Vec บนกราฟขนาดใหญ่ที่มีจุดยอดและขอบนับพันล้านจุดได้ ซึ่งเป็นเรื่องปกติในแอปพลิเคชันในโลกแห่งความเป็นจริง Node2Vec แบบกระจายที่มีอยู่บน Spark ต้องใช้พื้นที่และค่าใช้จ่ายด้านเวลาจำนวนมาก หน่วยความจำไม่เพียงพอแม้แต่กับกราฟขนาดกลางที่มีจุดยอดหลายล้านจุด นอกจากนี้ ยังพิจารณาขอบสูงสุด 30 เส้นสำหรับทุกจุดยอดในการสร้างการเดินแบบสุ่ม ส่งผลให้คุณภาพผลลัพธ์ไม่ดี ในบทความนี้ เราขอเสนอ Fast-Node2Vec ซึ่งเป็นกลุ่มอัลกอริธึมการเดินแบบสุ่ม Node2Vec ที่มีประสิทธิภาพบนเฟรมเวิร์กการคำนวณกราฟที่คล้ายกับ Pregel Fast-Node2Vec คำนวณความน่าจะเป็นของการเปลี่ยนแปลงระหว่างการเดินแบบสุ่ม เพื่อลดการใช้พื้นที่หน่วยความจำและค่าใช้จ่ายในการคำนวณสำหรับกราฟขนาดใหญ่ รูปแบบที่คล้าย Pregel หลีกเลี่ยงพื้นที่และเวลาโอเวอร์เฮดของโครงสร้าง RDD แบบอ่านอย่างเดียวของ Spark และการดำเนินการสับเปลี่ยน นอกจากนี้เรายังเสนอเทคนิคการปรับให้เหมาะสมจำนวนหนึ่งเพื่อลดค่าใช้จ่ายในการคำนวณสำหรับจุดยอดยอดนิยมที่มีองศาที่มาก การประเมินเชิงประจักษ์แสดงให้เห็นว่า Fast-Node2Vec สามารถคำนวณ Node2Vec บนกราฟที่มีจุดยอดและขอบหลายพันล้านจุดบนคลัสเตอร์เครื่องจักรขนาดกลาง เมื่อเปรียบเทียบกับ Spark-Node2Vec แล้ว Fast-Node2Vec มีความเร็วเพิ่มขึ้น 7.7–122 เท่า …

ประทับเวลา:

เพิ่มเติมจาก AnalytiXon