Eğer zaten bilmiyorsan

Eğer zaten bilmiyorsan

Zaman Damgası: 8 Kasım 2023 1:07
Kaynak Düğüm: 2969387

Derin Takviyeli Öğrenmeye Dayalı Öneri (DRR) google
Öneri hem akademide hem de endüstride çok önemlidir ve içeriğe dayalı işbirlikçi filtreleme, matris çarpanlarına ayırma, lojistik regresyon, çarpanlara ayırma makineleri, sinir ağları ve çok kollu haydutlar gibi çeşitli teknikler önerilmektedir. Bununla birlikte, önceki çalışmaların çoğu iki sınırlamadan muzdariptir: (1) öneriyi statik bir prosedür olarak ele almak ve kullanıcılar ile öneri sistemleri arasındaki dinamik etkileşimli doğayı göz ardı etmek, (2) önerilen öğelerin anında geri bildirimine odaklanmak ve uzun süreyi ihmal etmek -dönem ödülleri. Bu iki sınırlamayı ele almak için bu yazıda, DRR adı verilen derin takviyeli öğrenmeye dayalı yeni bir öneri çerçevesi öneriyoruz. DRR çerçevesi, öneriyi sıralı bir karar verme prosedürü olarak ele alır ve kullanıcılar ile öneri sistemleri arasındaki etkileşimleri modellemek için hem dinamik uyumu hem de uzun vadeli ödülleri dikkate alabilen bir 'Aktör-Eleştirmen' takviyeli öğrenme şemasını benimser. Ayrıca, öğeler ve kullanıcılar arasındaki etkileşimleri açıkça yakalayabilen bir durum temsil modülü DRR'ye dahil edilmiştir. Üç örnekleme yapısı geliştirilmiştir. Dört gerçek dünya veri kümesi üzerinde kapsamlı deneyler hem çevrimdışı hem de çevrimiçi değerlendirme ayarları altında gerçekleştirilir. Deneysel sonuçlar, önerilen DRR yönteminin gerçekten de en son teknolojiye sahip rakiplerden daha iyi performans gösterdiğini göstermektedir. …

Derin Öğrenme google
Derin öğrenme, birden fazla doğrusal olmayan dönüşümden oluşan mimarileri kullanarak verilerdeki yüksek seviyeli soyutlamaları modellemeye çalışan makine öğrenimindeki bir dizi algoritmadır. Derin öğrenme, öğrenme temsillerine dayanan daha geniş bir makine öğrenme yöntemleri ailesinin bir parçasıdır. Bir gözlem (örneğin bir görüntü) birçok şekilde temsil edilebilir (örneğin bir piksel vektörü), ancak bazı temsiller örneklerden ilgilenilen görevlerin öğrenilmesini kolaylaştırır (örneğin, bu bir insan yüzünün görüntüsü mü?). ve bu alandaki araştırmalar neyin daha iyi temsiller yaptığını ve bu temsilleri öğrenmek için modellerin nasıl oluşturulacağını tanımlamaya çalışır. Derin sinir ağları, evrişimli derin sinir ağları ve derin inanç ağları gibi çeşitli derin öğrenme mimarileri, bilgisayarlı görme, otomatik konuşma tanıma, doğal dil işleme ve müzik/ses sinyali tanıma gibi alanlara uygulanmıştır ve bunların durum ürettiği gösterilmiştir. Çeşitli görevlerde son teknoloji ürünü sonuçlar. …

Merkezi Koordinat Öğrenme (CCL) google
Derin sinir ağı (DNN) tekniklerinin hızla gelişmesi ve büyük ölçekli yüz veritabanlarının ortaya çıkması sayesinde yüz tanıma son yıllarda büyük bir başarı elde etti. DNN'nin eğitim sürecinde öğrenilecek yüz özellikleri ve sınıflandırma vektörleri birbirleriyle etkileşime girecek, yüz özelliklerinin dağılımı ise ağın yakınsama durumunu ve test aşamasında yüz benzerliği hesaplamasını büyük ölçüde etkileyecektir. Bu çalışmada, yüz özelliklerinin ve sınıflandırma vektörlerinin öğrenilmesini ortaklaşa formüle ediyoruz ve sınıflandırma vektörlerinin üzerinde durmasını sağlarken özelliklerin koordinat uzayında dağınık bir şekilde yayılmasını zorlayan basit ama etkili bir merkezi koordinat öğrenme (CCL) yöntemi öneriyoruz. bir hiperküre. Yüz özelliklerinin ayırt etme kabiliyetini arttırmak için ayrıca uyarlanabilir bir açısal marj önerilmektedir. Aralarında büyük yaş farkı bulunanlar ve sert negatif numuneler de dahil olmak üzere altı yüz kıyaslaması üzerinde kapsamlı deneyler yürütülüyor. Yalnızca yaklaşık 460 denekten 10 yüz görüntüsü içeren küçük ölçekli CASIA Webface veri seti üzerinde eğitilen CCL modelimiz, altı kıyaslama veri tabanının tamamında tutarlı bir şekilde rekabetçi performans sergileyerek yüksek etkinlik ve genellik sergiler. …

Hızlı Node2Vec google
Node2Vec, ağ analizi için son teknoloji ürünü genel amaçlı bir özellik öğrenme yöntemidir. Ancak mevcut çözümler, gerçek dünya uygulamalarında yaygın olan milyarlarca köşe ve kenar içeren büyük ölçekli grafiklerde Node2Vec'i çalıştıramaz. Spark'taki mevcut dağıtılmış Node2Vec, önemli miktarda alan ve zaman yüküne neden olur. Milyonlarca köşeye sahip orta boyutlu grafikler için bile hafıza yetersiz kalıyor. Ayrıca, rastgele yürüyüşler oluştururken her köşe için en fazla 30 kenarı dikkate alır ve bu da düşük sonuç kalitesine neden olur. Bu yazıda, Pregel benzeri bir grafik hesaplama çerçevesi üzerinde verimli bir Node2Vec rastgele yürüyüş algoritmaları ailesi olan Fast-Node2Vec'i öneriyoruz. Fast-Node2Vec, büyük ölçekli grafikler için bellek alanı tüketimini ve hesaplama yükünü azaltmak amacıyla rastgele yürüyüşler sırasında geçiş olasılıklarını hesaplar. Pregel benzeri şema, Spark'ın salt okunur RDD yapılarının ve karıştırma işlemlerinin uzay ve zaman yükünü ortadan kaldırır. Ayrıca, büyük dereceli popüler köşeler için hesaplama yükünü daha da azaltmak amacıyla bir dizi optimizasyon tekniği öneriyoruz. Deneysel değerlendirme, Fast-Node2Vec'in, orta boyutlu bir makine kümesinde milyarlarca köşe ve kenar içeren grafikler üzerinde Node2Vec'i hesaplama yeteneğine sahip olduğunu göstermektedir. Spark-Node2Vec ile karşılaştırıldığında Fast-Node2Vec 7.7–122 kat hızlanma elde eder. …

Zaman Damgası:

Den fazla Analitikon