Рекомендації на основі глибокого підкріплення навчання (DRR)
Рекомендації мають вирішальне значення як в наукових колах, так і в промисловості, і пропонуються різні методи, такі як спільне фільтрування на основі контенту, матрична факторизація, логістична регресія, машини факторизації, нейронні мережі та багаторуких бандитів. Однак більшість попередніх досліджень мають два обмеження: (1) розгляд рекомендації як статичної процедури та ігнорування динамічної інтерактивної природи між користувачами та системами рекомендацій, (2) зосередження на негайному зворотному зв’язку рекомендованих елементів та нехтування тривалим - термінові винагороди. Щоб усунути ці два обмеження, у цій статті ми пропонуємо нову структуру рекомендацій, засновану на глибокому навчанні з підкріпленням, яка називається DRR. Структура DRR розглядає рекомендації як послідовну процедуру прийняття рішень і використовує схему підкріплення «Актор-Критик» для моделювання взаємодії між користувачами та системами рекомендацій, які можуть враховувати як динамічну адаптацію, так і довгострокові винагороди. Крім того, модуль представлення стану включено в DRR, який може чітко фіксувати взаємодію між елементами та користувачами. Розроблено три структури інстанціювання. Масштабні експерименти з чотирма реальними наборами даних проводяться як в режимі офлайн, так і в режимі онлайн. Експериментальні результати демонструють, що запропонований метод DRR справді перевершує сучасні конкуренти. …
Глибоке навчання
Глибоке навчання — це набір алгоритмів машинного навчання, які намагаються змоделювати високорівневі абстракції в даних за допомогою архітектур, що складаються з кількох нелінійних перетворень. Глибоке навчання є частиною ширшого сімейства методів машинного навчання, заснованих на представленнях навчання. Спостереження (наприклад, зображення) можна представити багатьма способами (наприклад, вектором пікселів), але деякі представлення полегшують вивчення цікавих завдань (наприклад, це зображення людського обличчя?) на прикладах, і дослідження в цій галузі намагаються визначити, що робить кращі уявлення та як створити моделі для вивчення цих уявлень. Різноманітні архітектури глибокого навчання, такі як глибокі нейронні мережі, згорточні глибокі нейронні мережі та мережі глибоких переконань, застосовувалися до таких областей, як комп’ютерне бачення, автоматичне розпізнавання мови, обробка природної мови та розпізнавання музичних/аудіосигналів, де було показано, що вони створюють стан найсучасніші результати для різних завдань. …
Централізоване координатне навчання (CCL)
Завдяки швидкому розвитку методів глибокої нейронної мережі (DNN) і появі великомасштабних баз даних облич останніми роками розпізнавання облич досягло великого успіху. Під час процесу навчання DNN ознаки обличчя та вектори класифікації, які потрібно вивчати, взаємодіятимуть один з одним, тоді як розподіл ознак обличчя значною мірою впливатиме на статус конвергенції мережі та обчислення подібності обличчя на етапі тестування. У цій роботі ми сформулювали спільне вивчення рис обличчя та класифікаційних векторів і запропонували простий, але ефективний метод централізованого координатного навчання (CCL), який примусово розподіляє ознаки в координатному просторі, одночасно гарантуючи, що класифікаційні вектори лежать на гіперсфера. Крім того, запропоновано адаптивний кутовий запас для підвищення здатності розрізняти риси обличчя. Масштабні експерименти проводяться з шістьма тестами обличчя, включно з тими, які мають велику різницю у віці та жорсткі негативні зразки. Наша модель CCL, навчена лише на невеликому наборі даних CASIA Webface із 460 тис. зображень облич із приблизно 10 тис. суб’єктів, демонструє високу ефективність і загальність, демонструючи незмінно конкурентоспроможну продуктивність у всіх шести порівняльних базах даних. …
Fast-Node2Vec
Node2Vec — це сучасний універсальний метод вивчення функцій для аналізу мережі. Однак поточні рішення не можуть запускати Node2Vec на великомасштабних графах з мільярдами вершин і ребер, які є звичайними для реальних програм. Існуючий розподілений Node2Vec на Spark потребує значного простору та часу. Не вистачає пам’яті навіть для графів середнього розміру з мільйонами вершин. Крім того, він розглядає щонайбільше 30 ребер для кожної вершини під час генерації випадкових блукань, що спричиняє низьку якість результату. У цьому документі ми пропонуємо Fast-Node2Vec, сімейство ефективних алгоритмів випадкового блукання Node2Vec на графовій структурі обчислень типу Pregel. Fast-Node2Vec обчислює ймовірності переходів під час випадкових блукань, щоб зменшити споживання пам’яті та витрати на обчислення для великомасштабних графіків. Схема, подібна до Pregel, дозволяє уникнути накладних витрат на простір і час для структур RDD Spark, призначених лише для читання, і операцій перемішування. Крім того, ми пропонуємо низку методів оптимізації для подальшого зменшення накладних витрат на обчислення для популярних вершин із великими ступенями. Емпіричні оцінки показують, що Fast-Node2Vec здатний обчислювати Node2Vec на графах із мільярдами вершин і ребер у машинному кластері середнього розміру. Порівняно зі Spark-Node2Vec, Fast-Node2Vec досягає прискорення в 7.7–122 рази. …
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
- PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
- ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
- PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
- джерело: https://analytixon.com/2023/11/08/if-you-did-not-already-know-2198/
- : має
- :є
- : ні
- :де
- 1
- 10K
- 30
- 7
- a
- МЕНЮ
- Академія
- досягнутий
- Досягає
- через
- адаптація
- адаптивний
- адреса
- впливати
- вік
- алгоритми
- ВСІ
- вже
- an
- аналіз
- та
- Angular
- застосування
- прикладної
- ЕСТЬ
- ПЛОЩА
- AS
- At
- спроба
- Спроби
- автоматичний
- заснований
- BE
- було
- віра
- еталонний тест
- тести
- Краще
- між
- мільярди
- обидва
- ширше
- але
- by
- званий
- CAN
- не може
- можливості
- здатний
- захоплення
- викликаючи
- централізована
- класифікація
- кластер
- спільний
- загальний
- порівняний
- конкурентоспроможний
- конкурентів
- складається
- обчислення
- комп'ютер
- Комп'ютерне бачення
- обчислення
- проводиться
- Вважати
- беручи до уваги
- вважає
- послідовно
- споживання
- Зближення
- координувати
- створювати
- вирішальне значення
- Поточний
- дані
- базами даних
- набори даних
- рішення
- Прийняття рішень
- глибокий
- глибоке навчання
- глибока нервова мережа
- глибокі нейронні мережі
- визначати
- демонструвати
- демонструє
- розвиненою
- розробка
- DID
- дискримінація
- розподілений
- розподіл
- під час
- динамічний
- e
- кожен
- легше
- Ефективний
- ефективність
- ефективний
- поява
- підвищувати
- забезпечення
- оцінка
- Навіть
- Кожен
- Приклади
- існуючий
- експериментальний
- Експерименти
- явно
- обширний
- Face
- розпізнавання обличчя
- сім'я
- особливість
- риси
- зворотний зв'язок
- Поля
- Файли
- фільтрація
- фокусування
- для
- чотири
- Рамки
- від
- далі
- Крім того
- розрив
- Головна мета
- породжує
- графік
- графіки
- великий
- Жорсткий
- Мати
- Високий
- на вищому рівні
- Як
- How To
- Однак
- HTTP
- HTTPS
- людина
- if
- зображення
- зображень
- Негайний
- in
- У тому числі
- Зареєстрований
- промисловість
- взаємодіяти
- Взаємодії
- інтерактивний
- інтерес
- в
- IT
- пунктів
- Знати
- мова
- великий
- масштабний
- в значній мірі
- УЧИТЬСЯ
- вчений
- вивчення
- брехня
- як
- недоліки
- довгостроковий
- машина
- навчання за допомогою машини
- Машинки для перманенту
- зробити
- РОБОТИ
- Робить
- багато
- Маржа
- Матриця
- пам'ять
- метод
- методика
- мільйони
- модель
- Моделі
- Модулі
- Більше того
- найбільш
- множинний
- Природний
- Природна мова
- Обробка природних мов
- природа
- негативний
- нехтування
- мережу
- мереж
- Нейронний
- нейронної мережі
- нейронні мережі
- роман
- номер
- спостереження
- of
- offline
- on
- онлайн
- тільки
- операції
- оптимізація
- Інше
- наші
- з
- Переважає
- Папір
- частина
- продуктивність
- plato
- Інформація про дані Платона
- PlatoData
- бідні
- популярний
- попередній
- процедура
- процес
- обробка
- виробляти
- пропонувати
- запропонований
- якість
- випадковий
- швидко
- Реальний світ
- останній
- визнання
- Рекомендація
- рекомендований
- зменшити
- регресія
- навчання
- подання
- представлений
- дослідження
- результат
- результати
- Нагороди
- прогін
- пробіжки
- шкала
- схема
- комплект
- налаштування
- Показувати
- показ
- показаний
- перемішування
- Сигнал
- значний
- простий
- SIX
- Рішення
- деякі
- Простір
- Простір і час
- Іскритися
- мова
- Розпізнавання мови
- Стажування
- стан
- впроваджений
- Статус
- структур
- Дослідження
- успіх
- такі
- Systems
- завдання
- методи
- тест
- Що
- Команда
- Ці
- вони
- це
- ті
- три
- час
- до
- топ
- навчений
- Навчання
- перетворень
- перехід
- відноситься до
- два
- при
- користувачі
- використання
- різний
- бачення
- ходити
- прогулянки
- способи
- we
- Що
- який
- в той час як
- Вікіпедія
- волі
- з
- WordPress
- Work
- років
- ще
- ви
- зефірнет