論文の概要: MC$^2$-SF: Slow-Fast Learning for Mobile-Cloud Collaborative Recommendation

• arxiv url: http://arxiv.org/abs/2109.12314v1
• Date: Sat, 25 Sep 2021 08:38:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-30 12:40:33.501387
• Title: MC$^2$-SF: Slow-Fast Learning for Mobile-Cloud Collaborative Recommendation
• Title（参考訳）: mc$^2$-sf:モバイル・クラウド協調型レコメンデーションのための低速学習
• Authors: Zeyuan Chen and Jiangchao Yao and Feng Wang and Kunyang Jia and Bo Han and Wei Zhang and Hongxia Yang
• Abstract要約: 本研究では,モバイルクラウド協調型レコメンデーション(MC$2-SF)を相互に活用するためのスローファスト学習機構を提案する。 MC$2$-SFでは,クラウドモデルとモバイルモデルはそれぞれ,実世界のシナリオにおける相互作用周波数に応じて,遅いコンポーネントと速いコンポーネントとして扱われる。
• 参考スコア（独自算出の注目度）: 41.19897923357152
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the hardware development of mobile devices, it is possible to build the recommendation models on the mobile side to utilize the fine-grained features and the real-time feedbacks. Compared to the straightforward mobile-based modeling appended to the cloud-based modeling, we propose a Slow-Fast learning mechanism to make the Mobile-Cloud Collaborative recommendation (MC$^2$-SF) mutual benefit. Specially, in our MC$^2$-SF, the cloud-based model and the mobile-based model are respectively treated as the slow component and the fast component, according to their interaction frequency in real-world scenarios. During training and serving, they will communicate the prior/privileged knowledge to each other to help better capture the user interests about the candidates, resembling the role of System I and System II in the human cognition. We conduct the extensive experiments on three benchmark datasets and demonstrate the proposed MC$^2$-SF outperforms several state-of-the-art methods.
• Abstract（参考訳）: モバイルデバイスのハードウェア開発により,詳細な機能とリアルタイムフィードバックを活用するために,モバイル側でレコメンデーションモデルを構築することができる。 クラウドベースモデリングに付加される単純なモバイルベースのモデリングと比較して,モバイルクラウド協調レコメンデーション (mc$^2$-sf) の相互メリットを享受するための低速学習機構を提案する。 特に,我々のMC$^2$-SFでは,実世界のシナリオにおける相互作用周波数に応じて,クラウドモデルと移動モデルはそれぞれ遅いコンポーネントと速いコンポーネントとして扱われる。 訓練と奉仕の間、彼らは事前または優先の知識を互いに伝達し、候補者に対するユーザーの関心をよりよく把握し、人間の認知におけるシステムiとシステムiiの役割に似ています。 3つのベンチマークデータセットを広範囲に実験し,提案手法であるmc$^2$-sfを実演した。

関連論文リスト

• Foundations and Recent Trends in Multimodal Mobile Agents: A Survey [57.677161006710065]
  モバイルエージェントは、複雑で動的なモバイル環境におけるタスクの自動化に不可欠である。 近年の進歩により、リアルタイム適応性とマルチモーダルインタラクションが向上している。 これらの進歩は、プロンプトベースの方法とトレーニングベースの方法の2つの主要なアプローチに分類する。
  論文  参考訳（メタデータ） (2024-11-04T11:50:58Z)
• FoMo: A Foundation Model for Mobile Traffic Forecasting with Diffusion Model [5.96737388771505]
  モバイルトラフィック予測のための革新的なファンデーションモデル(FoMo)を提案する。 FoMoは、ネットワーク計画と最適化をサポートするために、複数の都市にまたがる短期・長期予測と分布生成の多様な予測タスクを処理する。 9つの実世界のデータセットに対する大規模な実験により、FoMoは多様な予測タスクやゼロ/フェーショット学習に関する現在のモデルより優れています。
  論文  参考訳（メタデータ） (2024-10-20T07:32:16Z)
• Federated Prompt Learning for Weather Foundation Models on Devices [37.88417074427373]
  天気予報のためのデバイス上のインテリジェンスでは、ローカルなディープラーニングモデルを使用して、集中型クラウドコンピューティングなしで気象パターンを分析する。 本稿では,FedPoD(Federated Prompt Learning for Weather Foundation Models on Devices)を提案する。 FedPoDは、通信効率を維持しながら、高度にカスタマイズされたモデルを得ることができる。
  論文  参考訳（メタデータ） (2023-05-23T16:59:20Z)
• Time-sensitive Learning for Heterogeneous Federated Edge Intelligence [52.83633954857744]
  フェデレーションエッジインテリジェンス(FEI)システムにおけるリアルタイム機械学習について検討する。 FEIシステムは異種通信と計算資源分布を示す。 本稿では,共有MLモデルの協調学習における全体の実行時間を最小化するために,時間依存型フェデレーションラーニング(TS-FL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-26T08:13:22Z)
• Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
  ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。 デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。 本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
  論文  参考訳（メタデータ） (2022-09-01T03:27:33Z)
• Device-Cloud Collaborative Learning for Recommendation [50.01289274123047]
  集中型クラウドモデルにより「数千人のモデルを持つ何千人もの人」を効率的に実現する新しいMetaPatch学習手法をデバイス側で提案します。 数十億の更新されたパーソナライズされたデバイスモデルにより、集中型クラウドモデルを更新する"モデルオーバーモデル"蒸留アルゴリズム、すなわちMoMoDistillを提案する。
  論文  参考訳（メタデータ） (2021-04-14T05:06:59Z)
• Real-time End-to-End Federated Learning: An Automotive Case Study [16.79939549201032]
  本稿では,新しい非同期モデルアグリゲーションプロトコルと組み合わさったリアルタイムエンドツーエンドフェデレーション学習のアプローチを提案する。 その結果,非同期フェデレーション学習は,局所エッジモデルの予測性能を大幅に向上させ,集中型機械学習法と同じ精度に到達できることがわかった。
  論文  参考訳（メタデータ） (2021-03-22T14:16:16Z)
• An Incentive Mechanism for Federated Learning in Wireless Cellular network: An Auction Approach [75.08185720590748]
  Federated Learning(FL)は、機械学習の分散問題に対処できる分散学習フレームワークである。 本稿では,1つの基地局(BS)と複数のモバイルユーザを含むFLシステムについて考察する。 我々は,BSとモバイルユーザの間のインセンティブメカニズムを,BSが競売業者であり,モバイルユーザが売り手であるオークションゲームとして定式化する。
  論文  参考訳（メタデータ） (2020-09-22T01:50:39Z)
• Catch the Ball: Accurate High-Speed Motions for Mobile Manipulators via Inverse Dynamics Learning [20.655003319777368]
  移動マニピュレータは、スローモーションコラボレーティブロボットシナリオにデプロイされる。 本稿では,高精度な高速動作を必要とするシナリオについて考察する。 2つの主要コンポーネントを含むこのタスク体制のためのフレームワークを導入する。
  論文  参考訳（メタデータ） (2020-03-17T01:33:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。