اگر آپ کو پہلے سے معلوم نہیں تھا۔

اگر آپ کو پہلے سے معلوم نہیں تھا۔

ٹائم سٹیمپ: 8 نومبر 2023 صبح 1:07
ماخذ نوڈ: 2969387

ڈیپ انفورسمنٹ لرننگ پر مبنی سفارش (DRR) گوگل
اکیڈمیا اور صنعت دونوں میں سفارش بہت اہم ہے، اور مختلف تکنیکیں تجویز کی جاتی ہیں جیسے مواد پر مبنی تعاون پر مبنی فلٹرنگ، میٹرکس فیکٹرائزیشن، لاجسٹک ریگریشن، فیکٹرائزیشن مشینیں، نیورل نیٹ ورکس اور ملٹی آرمڈ ڈاکو۔ تاہم، زیادہ تر پچھلے مطالعات دو حدود سے دوچار ہیں: (1) سفارش کو ایک جامد طریقہ کار کے طور پر غور کرنا اور صارفین اور تجویز کنندہ کے نظام کے درمیان متحرک انٹرایکٹو نوعیت کو نظر انداز کرنا، (2) تجویز کردہ اشیاء کے فوری تاثرات پر توجہ مرکوز کرنا اور طویل عرصے تک نظر انداز کرنا۔ - مدتی انعامات۔ دو حدود کو دور کرنے کے لیے، اس مقالے میں ہم ڈیپ ری انفورسمنٹ لرننگ پر مبنی ایک نیا تجویزی فریم ورک تجویز کرتے ہیں، جسے DRR کہتے ہیں۔ DRR فریم ورک سفارش کو ایک ترتیب وار فیصلہ سازی کے طریقہ کار کے طور پر دیکھتا ہے اور صارفین اور سفارش کرنے والے نظاموں کے درمیان تعاملات کو ماڈل بنانے کے لیے 'اداکار-نقد' کمک سیکھنے کی اسکیم کو اپناتا ہے، جو متحرک موافقت اور طویل مدتی انعامات دونوں پر غور کر سکتا ہے۔ مزید برآں، ریاستی نمائندگی کا ایک ماڈیول DRR میں شامل کیا گیا ہے، جو واضح طور پر اشیاء اور صارفین کے درمیان تعاملات کو پکڑ سکتا ہے۔ تین ابتدائی ڈھانچے تیار کیے گئے ہیں۔ چار حقیقی دنیا کے ڈیٹاسیٹس پر وسیع تجربات آف لائن اور آن لائن تشخیصی ترتیبات دونوں کے تحت کیے جاتے ہیں۔ تجرباتی نتائج یہ ظاہر کرتے ہیں کہ مجوزہ DRR طریقہ درحقیقت جدید ترین حریفوں سے بہتر ہے۔ …

گہری سیکھنا گوگل
ڈیپ لرننگ مشین لرننگ میں الگورتھم کا ایک مجموعہ ہے جو متعدد غیر لکیری تبدیلیوں پر مشتمل آرکیٹیکچرز کا استعمال کرکے ڈیٹا میں اعلیٰ سطحی تجریدوں کو ماڈل بنانے کی کوشش کرتا ہے۔ گہری تعلیم سیکھنے کی نمائندگی پر مبنی مشین لرننگ طریقوں کے ایک وسیع خاندان کا حصہ ہے۔ ایک مشاہدے (مثال کے طور پر، ایک تصویر) کو کئی طریقوں سے پیش کیا جا سکتا ہے (مثال کے طور پر، پکسلز کا ایک ویکٹر)، لیکن کچھ نمائشیں دلچسپی کے کاموں کو سیکھنے میں آسان بناتی ہیں (مثال کے طور پر، کیا یہ انسانی چہرے کی تصویر ہے؟) اور اس علاقے میں تحقیق اس بات کی وضاحت کرنے کی کوشش کرتی ہے کہ کیا بہتر نمائندگی کرتا ہے اور ان نمائندگیوں کو سیکھنے کے لیے ماڈل کیسے بنائے جائیں۔ مختلف ڈیپ لرننگ آرکیٹیکچرز جیسے ڈیپ نیورل نیٹ ورکس، کنوولوشنل ڈیپ نیورل نیٹ ورکس، اور گہرے یقین والے نیٹ ورکس کو کمپیوٹر ویژن، خودکار اسپیچ ریکگنیشن، نیچرل لینگویج پروسیسنگ، اور میوزک/آڈیو سگنل ریکگنیشن جیسے شعبوں پر لاگو کیا گیا ہے جہاں انہیں ریاست کی پیداوار کے لیے دکھایا گیا ہے۔ مختلف کاموں پر جدید ترین نتائج۔ …

سنٹرلائزڈ کوآرڈینیٹ لرننگ (CCL) گوگل
ڈیپ نیورل نیٹ ورک (DNN) تکنیک کی تیز رفتار ترقی اور بڑے پیمانے پر چہرے کے ڈیٹا بیس کے ظہور کی وجہ سے، چہرے کی شناخت نے حالیہ برسوں میں بڑی کامیابی حاصل کی ہے۔ DNN کے تربیتی عمل کے دوران، سیکھے جانے والے چہرے کی خصوصیات اور درجہ بندی کے ویکٹر ایک دوسرے کے ساتھ تعامل کریں گے، جبکہ چہرے کی خصوصیات کی تقسیم بڑی حد تک نیٹ ورک کے کنورجنسی سٹیٹس اور ٹیسٹ مرحلے میں چہرے کی مماثلت کمپیوٹنگ کو متاثر کرے گی۔ اس کام میں، ہم مشترکہ طور پر چہرے کی خصوصیات اور درجہ بندی کے ویکٹرز کے سیکھنے کو تیار کرتے ہیں، اور ایک سادہ لیکن موثر سنٹرلائزڈ کوآرڈینیٹ لرننگ (CCL) طریقہ تجویز کرتے ہیں، جو اس بات کو یقینی بناتا ہے کہ درجہ بندی کے ویکٹرز کے لیٹے ہوئے کوآرڈینیٹ اسپیس میں پھیلائے جائیں ایک ہائپر اسپیئر چہرے کی خصوصیات کی امتیازی صلاحیت کو بڑھانے کے لیے ایک انکولی کونیی مارجن مزید تجویز کیا گیا ہے۔ چہرے کے چھ بینچ مارکس پر وسیع تجربات کیے جاتے ہیں، جن میں عمر کا بڑا فرق اور سخت منفی نمونے شامل ہیں۔ تقریباً 460K مضامین کی 10K چہرے کی تصاویر کے ساتھ صرف چھوٹے پیمانے پر CASIA Webface ڈیٹاسیٹ پر تربیت یافتہ، ہمارا CCL ماڈل تمام چھ بینچ مارک ڈیٹا بیسز میں مسلسل مسابقتی کارکردگی دکھاتے ہوئے اعلیٰ تاثیر اور عمومیت کا مظاہرہ کرتا ہے۔ …

فاسٹ نوڈ 2 ویک گوگل
Node2Vec نیٹ ورک کے تجزیہ کے لیے ایک جدید ترین عمومی مقصد فیچر سیکھنے کا طریقہ ہے۔ تاہم، موجودہ حل Node2Vec کو اربوں عمودی اور کناروں کے ساتھ بڑے پیمانے پر گراف پر نہیں چلا سکتے، جو حقیقی دنیا کی ایپلی کیشنز میں عام ہیں۔ اسپارک پر موجودہ تقسیم شدہ Node2Vec میں اہم جگہ اور وقت اوپر ہوتا ہے۔ لاکھوں عمودی خطوط کے ساتھ درمیانے سائز کے گرافس کے لیے بھی یہ میموری سے باہر ہے۔ مزید برآں، یہ بے ترتیب چہل قدمی پیدا کرنے میں ہر چوٹی کے لیے زیادہ سے زیادہ 30 کناروں پر غور کرتا ہے، جس کی وجہ سے نتائج کا معیار خراب ہوتا ہے۔ اس مقالے میں، ہم Fast-Node2Vec تجویز کرتے ہیں، جو ایک Pregel نما گراف کمپیوٹیشن فریم ورک پر موثر Node2Vec رینڈم واک الگورتھم کا ایک خاندان ہے۔ فاسٹ-Node2Vec بڑے پیمانے پر گرافس کے لیے میموری کی جگہ کی کھپت اور کمپیوٹیشن اوور ہیڈ کو کم کرنے کے لیے بے ترتیب چہل قدمی کے دوران منتقلی کے امکانات کی گنتی کرتا ہے۔ پریجل جیسی اسکیم اسپارک کے صرف پڑھنے کے لیے آر ڈی ڈی ڈھانچے اور شفل آپریشنز کی جگہ اور وقت سے بچتی ہے۔ مزید برآں، ہم بڑی ڈگریوں کے ساتھ مقبول چوٹیوں کے لیے کمپیوٹیشن اوور ہیڈ کو مزید کم کرنے کے لیے متعدد اصلاحی تکنیکوں کی تجویز پیش کرتے ہیں۔ تجرباتی تشخیص سے پتہ چلتا ہے کہ فاسٹ-Node2Vec درمیانے سائز کے مشین کلسٹر پر اربوں عمودی اور کناروں کے ساتھ گراف پر Node2Vec کمپیوٹنگ کرنے کے قابل ہے۔ Spark-Node2Vec کے مقابلے، Fast-Node2Vec 7.7–122x رفتار حاصل کرتا ہے۔ …

ٹائم اسٹیمپ:

سے زیادہ اینالیٹیکسن