論文の概要: Towards Lifelong Learning Embeddings: An Algorithmic Approach to Dynamically Extend Embeddings

• arxiv url: http://arxiv.org/abs/2408.14118v1
• Date: Mon, 26 Aug 2024 09:06:35 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-27 14:33:14.531171
• Title: Towards Lifelong Learning Embeddings: An Algorithmic Approach to Dynamically Extend Embeddings
• Title（参考訳）: 生涯学習の埋め込みに向けて: 埋め込みを動的に拡張するためのアルゴリズム的アプローチ
• Authors: Miguel Alves Gomes, Philipp Meisen, Tobias Meisen,
• Abstract要約: 本稿では,学習知識を保存しながら,組込み型入力サイズを拡張するモジュールアルゴリズムを提案する。 提案アルゴリズムは,新規製品に関連するコールドスタート問題を緩和する戦略も取り入れている。
• 参考スコア（独自算出の注目度）: 4.680296118462097
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The rapid evolution of technology has transformed business operations and customer interactions worldwide, with personalization emerging as a key opportunity for e-commerce companies to engage customers more effectively. The application of machine learning, particularly that of deep learning models, has gained significant traction due to its ability to rapidly recognize patterns in large datasets, thereby offering numerous possibilities for personalization. These models use embeddings to map discrete information, such as product IDs, into a latent vector space, a method increasingly popular in recent years. However, e-commerce's dynamic nature, characterized by frequent new product introductions, poses challenges for these embeddings, which typically require fixed dimensions and inputs, leading to the need for periodic retraining from scratch. This paper introduces a modular algorithm that extends embedding input size while preserving learned knowledge, addressing the challenges posed by e-commerce's dynamism. The proposed algorithm also incorporates strategies to mitigate the cold start problem associated with new products. The results of initial experiments suggest that this method outperforms traditional embeddings.
• Abstract（参考訳）: テクノロジーの急速な進化は、世界中のビジネスオペレーションと顧客とのインタラクションを変革させ、eコマース企業がより効率的に顧客をエンゲージメントするための重要な機会としてパーソナライゼーションが生まれている。 機械学習の応用、特にディープラーニングモデルの応用は、大規模なデータセットのパターンを迅速に認識し、パーソナライズする多くの可能性を提供するため、大きな注目を集めている。 これらのモデルでは、製品IDのような個別の情報を埋め込みを使って潜在ベクトル空間にマッピングするが、近年はますます人気が高まっている。 しかし、電子商取引のダイナミックな性質は、しばしば新製品の導入によって特徴づけられ、通常は固定次元と入力を必要とし、スクラッチから定期的に再トレーニングする必要が生じる。 本稿では,電子商取引のダイナミズムがもたらす課題に対処するため,学習知識を保存しながら入力サイズを拡大するモジュールアルゴリズムを提案する。 提案アルゴリズムは,新規製品に関連するコールドスタート問題を緩和する戦略も取り入れている。 実験結果から, 本手法は従来の埋め込みよりも優れていたことが示唆された。

関連論文リスト

• Consumer Transactions Simulation through Generative Adversarial Networks [0.07373617024876725]
  本稿では,合成小売取引データを生成するためのGAN(Generative Adversarial Networks)の革新的な応用について述べる。 我々は、SKUデータをGANアーキテクチャに統合し、より洗練された埋め込み手法を用いて従来の手法から切り離す。 その結果, 実物と実物を比較することで, シミュレーショントランザクションにおける現実性の向上が示された。
  論文  参考訳（メタデータ） (2024-08-07T09:45:24Z)
• Learn while Unlearn: An Iterative Unlearning Framework for Generative Language Models [49.043599241803825]
  Iterative Contrastive Unlearning (ICU)フレームワークは3つのコアコンポーネントで構成されている。 知識未学習誘導モジュールは、未学習の損失を通じて特定の知識を除去する。 Contrastive Learning Enhancementモジュールは、純粋な未学習の目標に対してモデルの表現力を維持する。 また、特定のデータ片の未学習範囲を動的に評価し、反復的な更新を行う反復未学習リファインメントモジュールも用意されている。
  論文  参考訳（メタデータ） (2024-07-25T07:09:35Z)
• State-Space Modeling in Long Sequence Processing: A Survey on Recurrence in the Transformer Era [59.279784235147254]
  このサーベイは、シーケンシャルなデータ処理の反復モデルに基づく最新のアプローチの詳細な概要を提供する。 新たなイメージは、標準のバックプロパゲーション・オブ・タイムから外れた学習アルゴリズムによって構成される、新しいルートを考える余地があることを示唆している。
  論文  参考訳（メタデータ） (2024-06-13T12:51:22Z)
• On the Resurgence of Recurrent Models for Long Sequences -- Survey and Research Opportunities in the Transformer Era [59.279784235147254]
  この調査は、Recurrenceの統一の傘の下に構築されたこれらのトレンドの概要を提供することを目的としている。 長いシーケンスを処理するという考え方を捨てる際に顕著になる新しい研究機会を強調している。
  論文  参考訳（メタデータ） (2024-02-12T23:55:55Z)
• PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
  本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。 一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。 一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
  論文  参考訳（メタデータ） (2023-09-13T17:55:11Z)
• Machine Learning and Consumer Data [0.4873362301533825]
  デジタル革命は人間の行動のデジタル化につながり、不整合なスケールで観測可能な行動を理解するという前例のない機会を生み出した。 クラウドファンディングやクラウドソーシングといった新興現象は、新たな行動パターンを導入しながら、消費者の行動をさらに明るくしている。 消費者データ分析に使われる従来の手法は、新興データソースの幅、精度、スケールを扱うのに不足している。
  論文  参考訳（メタデータ） (2023-06-25T03:58:15Z)
• Symphony in the Latent Space: Provably Integrating High-dimensional Techniques with Non-linear Machine Learning Models [19.824998167546298]
  本稿では,エンティティ間のインタラクションを含む機械学習アルゴリズムの構築について検討する。 本研究では,高次元相互作用の学習を非線形特徴相互作用の学習から切り離すことが可能であることを示す。
  論文  参考訳（メタデータ） (2022-12-01T20:18:26Z)
• Learning Self-Modulating Attention in Continuous Time Space with Applications to Sequential Recommendation [102.24108167002252]
  本稿では,複雑で非線形に進化する動的ユーザの嗜好をモデル化する,自己変調型注意ネットワークを提案する。 提案手法がトップNシーケンシャルなレコメンデーションタスクに与える影響を実証的に示すとともに,3つの大規模実世界のデータセットによる結果から,我々のモデルが最先端のパフォーマンスを達成できることを示す。
  論文  参考訳（メタデータ） (2022-03-30T03:54:11Z)
• INTERN: A New Learning Paradigm Towards General Vision [117.3343347061931]
  我々はInterNという新しい学習パラダイムを開発した。 複数の段階の複数のソースからの監視信号を用いて学習することにより、トレーニング対象のモデルは強力な一般化性を生み出す。 ほとんどの場合、ターゲットドメインのトレーニングデータの10%しか適応していないモデルが、完全なデータセットでトレーニングされたトレーニングデータよりも優れています。
  論文  参考訳（メタデータ） (2021-11-16T18:42:50Z)
• Friendship is All we Need: A Multi-graph Embedding Approach for Modeling Customer Behavior [1.181206257787103]
  顧客を非線形に表現するためのマルチグラフ埋め込み手法を提案する。 我々は,友人関係の情報を入手することでのみ,ユーザの将来の行動を合理的に予測することができる。
  論文  参考訳（メタデータ） (2020-10-06T14:50:05Z)

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。