Nếu bạn chưa biết

Nếu bạn chưa biết

Dấu thời gian: Ngày 8 tháng 2023 năm 1 07:XNUMX sáng
Nút nguồn: 2969387

Khuyến nghị dựa trên học tập tăng cường sâu (DRR) google
Khuyến nghị rất quan trọng trong cả giới học thuật và ngành công nghiệp, và nhiều kỹ thuật khác nhau được đề xuất như lọc cộng tác dựa trên nội dung, nhân tố hóa ma trận, hồi quy logistic, máy nhân tố hóa, mạng lưới thần kinh và kẻ cướp đa nhánh. Tuy nhiên, hầu hết các nghiên cứu trước đây đều mắc phải hai hạn chế: (1) coi đề xuất là một quy trình tĩnh và bỏ qua tính chất tương tác động giữa người dùng và hệ thống tư vấn, (2) tập trung vào phản hồi ngay lập tức của các mục được đề xuất và bỏ qua thời gian dài. -thưởng có kỳ hạn. Để giải quyết hai hạn chế, trong bài viết này, chúng tôi đề xuất một khung khuyến nghị mới dựa trên học tăng cường sâu, được gọi là DRR. Khung DRR coi đề xuất là một quy trình ra quyết định tuần tự và áp dụng sơ đồ học tập tăng cường 'Người phê bình-tác nhân' để mô hình hóa các tương tác giữa người dùng và hệ thống đề xuất, có thể xem xét cả khả năng thích ứng linh hoạt và phần thưởng dài hạn. Hơn nữa, một mô-đun biểu diễn trạng thái được tích hợp vào DRR, mô-đun này có thể nắm bắt rõ ràng các tương tác giữa các mục và người dùng. Ba cấu trúc khởi tạo được phát triển. Các thử nghiệm mở rộng trên bốn bộ dữ liệu trong thế giới thực được tiến hành trong cả cài đặt đánh giá ngoại tuyến và trực tuyến. Các kết quả thử nghiệm chứng minh phương pháp DRR được đề xuất thực sự vượt trội so với các đối thủ cạnh tranh tiên tiến nhất. …

Học kĩ càng google
Học sâu là một tập hợp các thuật toán trong học máy nhằm cố gắng mô hình hóa sự trừu tượng hóa cấp cao trong dữ liệu bằng cách sử dụng các kiến ​​trúc bao gồm nhiều phép biến đổi phi tuyến tính. Học sâu là một phần của nhóm phương pháp học máy rộng hơn dựa trên các biểu diễn học tập. Một quan sát (ví dụ: một hình ảnh) có thể được biểu diễn theo nhiều cách (ví dụ: vectơ pixel), nhưng một số cách biểu diễn giúp việc tìm hiểu các nhiệm vụ quan tâm dễ dàng hơn (ví dụ: đây có phải là hình ảnh khuôn mặt người không?) từ các ví dụ, và nghiên cứu trong lĩnh vực này cố gắng xác định điều gì tạo nên những cách biểu diễn tốt hơn và cách tạo ra các mô hình để tìm hiểu những cách biểu diễn này. Các kiến ​​trúc học sâu khác nhau như mạng nơ-ron sâu, mạng nơ-ron sâu tích chập và mạng niềm tin sâu đã được áp dụng cho các lĩnh vực như thị giác máy tính, nhận dạng giọng nói tự động, xử lý ngôn ngữ tự nhiên và nhận dạng tín hiệu âm nhạc/âm thanh nơi chúng đã được chứng minh là tạo ra trạng thái. -kết quả tiên tiến trong các nhiệm vụ khác nhau. …

Học tập phối hợp tập trung (CCL) google
Nhờ sự phát triển nhanh chóng của các kỹ thuật mạng lưới thần kinh sâu (DNN) và sự xuất hiện của cơ sở dữ liệu khuôn mặt quy mô lớn, nhận dạng khuôn mặt đã đạt được thành công lớn trong những năm gần đây. Trong quá trình huấn luyện DNN, các đặc điểm khuôn mặt và vectơ phân loại cần học sẽ tương tác với nhau, trong khi việc phân bổ các đặc điểm khuôn mặt sẽ ảnh hưởng lớn đến trạng thái hội tụ của mạng và tính toán độ tương tự khuôn mặt trong giai đoạn thử nghiệm. Trong công việc này, chúng tôi cùng xây dựng phương pháp học các đặc điểm khuôn mặt và vectơ phân loại, đồng thời đề xuất phương pháp học tọa độ tập trung (CCL) đơn giản nhưng hiệu quả, phương pháp này thực thi các đặc điểm được trải rộng phân tán trong không gian tọa độ trong khi vẫn đảm bảo các vectơ phân loại nằm trên một siêu cầu. Một lề góc thích ứng được đề xuất thêm để nâng cao khả năng phân biệt các đặc điểm khuôn mặt. Các thí nghiệm mở rộng được tiến hành trên sáu điểm chuẩn khuôn mặt, bao gồm cả những điểm có khoảng cách tuổi tác lớn và mẫu âm tính cứng. Chỉ được đào tạo trên tập dữ liệu CASIA Webface quy mô nhỏ với hình ảnh khuôn mặt 460K từ khoảng 10 nghìn đối tượng, mô hình CCL của chúng tôi thể hiện tính hiệu quả và tính tổng quát cao, cho thấy hiệu suất cạnh tranh nhất quán trên tất cả sáu cơ sở dữ liệu điểm chuẩn. …

Fast-Node2Vec google
Node2Vec là một phương pháp học tính năng có mục đích chung hiện đại để phân tích mạng. Tuy nhiên, các giải pháp hiện tại không thể chạy Node2Vec trên các biểu đồ tỷ lệ lớn với hàng tỷ đỉnh và cạnh, điều này thường gặp trong các ứng dụng trong thế giới thực. Node2Vec được phân phối hiện có trên Spark phát sinh chi phí không gian và thời gian đáng kể. Nó hết bộ nhớ ngay cả đối với các đồ thị cỡ trung bình có hàng triệu đỉnh. Hơn nữa, nó xem xét tối đa 30 cạnh cho mỗi đỉnh khi tạo các bước đi ngẫu nhiên, gây ra chất lượng kết quả kém. Trong bài báo này, chúng tôi đề xuất Fast-Node2Vec, một nhóm thuật toán bước đi ngẫu nhiên Node2Vec hiệu quả trên khung tính toán đồ thị giống Pregel. Fast-Node2Vec tính toán xác suất chuyển tiếp trong các bước đi ngẫu nhiên để giảm mức tiêu thụ không gian bộ nhớ và chi phí tính toán cho các biểu đồ tỷ lệ lớn. Sơ đồ giống như Pregel tránh được chi phí không gian và thời gian của các cấu trúc RDD chỉ đọc và các hoạt động xáo trộn của Spark. Hơn nữa, chúng tôi đề xuất một số kỹ thuật tối ưu hóa để giảm hơn nữa chi phí tính toán cho các đỉnh phổ biến có bậc lớn. Đánh giá thực nghiệm cho thấy Fast-Node2Vec có khả năng tính toán Node2Vec trên các đồ thị có hàng tỷ đỉnh và cạnh trên một cụm máy cỡ trung bình. So với Spark-Node2Vec, Fast-Node2Vec đạt tốc độ tăng tốc 7.7–122 lần. …

Dấu thời gian:

Thêm từ Phân tíchXon