Fugu-MT 論文翻訳(概要): Tile Networks: Learning Optimal Geometric Layout for Whole-page Recommendation

論文の概要: Tile Networks: Learning Optimal Geometric Layout for Whole-page Recommendation

arxiv url: http://arxiv.org/abs/2303.01671v1
Date: Fri, 3 Mar 2023 02:18:55 GMT
ステータス: 処理完了
システム内更新日: 2023-03-06 16:29:17.299803
Title: Tile Networks: Learning Optimal Geometric Layout for Whole-page Recommendation
Title（参考訳）: タイルネットワーク:全ページ推薦のための最適幾何学レイアウト学習
Authors: Shuai Xiao, Zaifan Jiang, Shuang Yang
Abstract要約: 強化学習を用いて全ページ推薦のための構成最適化問題を解くことができることを示す。提案した textitTile Networks は、適切な位置にアイテムを配置することで、2次元の幾何学的構成を最適化するニューラルネットワークである。
参考スコア（独自算出の注目度）: 14.951408879079272
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Finding optimal configurations in a geometric space is a key challenge in many technological disciplines. Current approaches either rely heavily on human domain expertise and are difficult to scale. In this paper we show it is possible to solve configuration optimization problems for whole-page recommendation using reinforcement learning. The proposed \textit{Tile Networks} is a neural architecture that optimizes 2D geometric configurations by arranging items on proper positions. Empirical results on real dataset demonstrate its superior performance compared to traditional learning to rank approaches and recent deep models.
Abstract（参考訳）: 幾何学空間における最適構成を見つけることは、多くの技術分野において重要な課題である。現在のアプローチでは、人間のドメインの専門知識に大きく依存するか、スケールアップが困難です。本稿では,強化学習を用いて,全ページレコメンデーションの構成最適化問題を解くことができることを示す。提案された \textit{tile networks} は、適切な位置にアイテムを配置することで2次元幾何学的構成を最適化するニューラルネットワークである。実データセットにおける実証的な結果は、従来の学習法や最近の深層モデルと比較して優れたパフォーマンスを示している。

関連論文リスト

Equivariant Deep Weight Space Alignment [54.65847470115314]
本稿では,ウェイトアライメント問題を解決するための学習を目的とした新しいフレームワークを提案する。まず、重み調整が2つの基本対称性に一致することを証明し、それからこれらの対称性を尊重する深いアーキテクチャを提案する。
論文参考訳（メタデータ） (2023-10-20T10:12:06Z)
Optimization Methods in Deep Learning: A Comprehensive Overview [0.0]
深層学習は、画像認識、自然言語処理、音声認識など様々な分野で顕著な成功を収めてきた。ディープラーニングの有効性は、ディープニューラルネットワークのトレーニングに使用される最適化方法に大きく依存する。本稿では、勾配勾配、Adagrad、Adadelta、RMSpropなどの一階最適化手法の概要と、NesterovAccelered gradient、Adam、Nadam、AdaMax、AMSGradといった最近の運動量ベースおよび適応勾配法について概説する。
論文参考訳（メタデータ） (2023-02-19T13:01:53Z)
A Survey of Geometric Optimization for Deep Learning: From Euclidean Space to Riemannian Manifold [7.737713458418288]
ディープラーニング(DL)は複雑な人工知能(AI)タスクで成功したが、様々な悪名高い問題に悩まされている。本稿では、DLにおける幾何最適化の適用に関する総合的な調査について述べる。畳み込みニューラルネットワーク、リカレントニューラルネットワーク、トランスファー学習、最適輸送など、さまざまなAIタスクにおける異なるDLネットワークにおける幾何学的最適化の適用について検討する。
論文参考訳（メタデータ） (2023-02-16T10:50:15Z)
Model-Based Deep Learning: On the Intersection of Deep Learning and Optimization [101.32332941117271]
決定アルゴリズムは様々なアプリケーションで使われている。数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
論文参考訳（メタデータ） (2022-05-05T13:40:08Z)
Neural Combinatorial Optimization: a New Player in the Field [69.23334811890919]
本稿では,ニューラルネットワークに基づくアルゴリズムの古典的最適化フレームワークへの導入に関する批判的分析を行う。性能, 転送可能性, 計算コスト, 大規模インスタンスなど, これらのアルゴリズムの基本的側面を分析するために, 総合的研究を行った。
論文参考訳（メタデータ） (2022-05-03T07:54:56Z)
iDARTS: Differentiable Architecture Search with Stochastic Implicit Gradients [75.41173109807735]
微分可能なArchiTecture Search(DARTS)は先日,ニューラルアーキテクチャサーチ(NAS)の主流になった。暗黙の関数定理に基づいてDARTSの過次計算に取り組む。提案手法であるiDARTSのアーキテクチャ最適化は,定常点に収束することが期待される。
論文参考訳（メタデータ） (2021-06-21T00:44:11Z)
TSO: Curriculum Generation using continuous optimization [0.0]
連続最適化に基づく簡便かつ効率的な手法を提案する。エンコーダネットワークは、トレーニングシーケンスを連続空間にマップ/組込みする。予測ネットワークは、戦略の連続表現を入力として使用し、固定ネットワークアーキテクチャの精度を予測する。
論文参考訳（メタデータ） (2021-06-16T06:32:21Z)
A Design Space Study for LISTA and Beyond [79.76740811464597]
近年では、反復アルゴリズムの展開による問題固有のディープネットワーク構築に大きな成功を収めている。本稿では,深層ネットワークにおける設計アプローチとしてのアンローリングの役割について再考する。スパースリカバリのためのlistaを代表例として,未ロールモデルに対する設計空間調査を初めて実施した。
論文参考訳（メタデータ） (2021-04-08T23:01:52Z)
Physics-consistent deep learning for structural topology optimization [8.391633158275692]
トポロジ最適化は、コンポーネントの設計を洗練し、パフォーマンスを向上するための一般的なアプローチとして現れています。現在の最新のトポロジ最適化フレームワークは計算集約的です。本稿では,高分解能の3次元測地におけるトポロジ最適化のための深層学習に基づくフレームワークについて検討する。
論文参考訳（メタデータ） (2020-12-09T23:05:55Z)
Self-Directed Online Machine Learning for Topology Optimization [58.920693413667216]
自己指向型オンライン学習最適化は、ディープニューラルネットワーク(DNN)と有限要素法(FEM)計算を統合している。本アルゴリズムは, コンプライアンスの最小化, 流体構造最適化, 伝熱促進, トラス最適化の4種類の問題によって検証された。その結果, 直接使用法と比較して計算時間を2～5桁削減し, 実験で検証した全ての最先端アルゴリズムより優れていた。
論文参考訳（メタデータ） (2020-02-04T20:00:28Z)

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。