协作深度加强学习(CDRL)算法,其中多个代理可以在无线网络上协调是一种有希望的方法,以便在复杂的动态环境中依赖实时决策的未来智能和自主系统。尽管如此,在实际情况下,CDRL由​​于代理的异质性及其学习任务,不同环境,学习时间限制以及无线网络的资源限制,因此CDRL面临着许多挑战。为了解决这些挑战,在本文中,提出了一种新颖的语义感知CDRL方法,以使一组异构未经训练的代理具有语义连接的DRL任务,以在资源受限无线蜂窝网络上有效地协作。为此,提出了一种新的异构联邦DRL(HFDRL)算法,以选择用于协作的语义相关DRL代理的最佳子集。然后,该方法将共同优化合作选定代理的训练损失和无线带宽分配,以便在其实时任务的时间限制内培训每个代理。仿真结果表明,与最先进的基线相比,所提出的算法的卓越性能。
translated by 谷歌翻译
连续DR-unmodular函数是一类通常的非凸/非凹形功能,满足递减的回报(DR)属性,这意味着它们沿着非负方向凹入。现有的工作已经研究了单调连续的DR-unmodular最大化,经过凸起约束,提供了有效的算法,具有近似保证。在许多应用中,例如计算图的稳定性数,单调DR-unmodular物镜函数具有沿非负方向强烈凹入的额外性质(即,强烈的DR-SUBSOCULAL)。在本文中,我们考虑了一个US $-$-Smotone DR-unmodular函数的子类,它强烈博弈潜水函数并具有有界曲率,我们展示了如何利用这种额外的结构来获得更快的算法,以获得更高的保证对最大化的保证更快问题。我们提出了一种新的算法,该算法仅在仅$ \ lceil \ frac {l} {\ mu} \ rceil $迭代之后匹配可怕的最佳$ 1- \ frac {c} {e} $近似比。[0, 1] $和$ \ mu \ geq 0 $是曲率和强大的DR-subsodularity参数。此外,我们研究了这个问题的投影梯度上升(PGA)方法,并通过改进的$ \ FRAC {1} {1 + C} $近似比(与$ \ FRAC {1}相比提供了对算法的精细分析{2} $在现有作品中)和线性收敛速度。实验结果说明了我们所提出的算法的效率和有效性。
translated by 谷歌翻译
如今,推荐系统和搜索引擎在时尚电子商务中发挥积分作用。尽管如此,许多挑战谎言,这项研究试图解决一些问题。本文首先介绍了一种基于内容的时尚推荐系统,它使用并行神经网络作为输入,通过列出商店中可用的类似物品来获取单个时尚项目商店映像。接下来,增强相同的结构以基于用户偏好来个性化结果。然后,这项工作引入了一个背景增强技术,使系统更强大地对域外查询,使其仅使用培训的目录商店图像进行街道到商店建议。此外,本文的最后贡献是推荐任务的新评估度量,称为客观引导的人为评分。该方法是一个完全可定制的框架,可以产生来自人类评分术的主观评估的可解释,可比的分数。
translated by 谷歌翻译
时尚界正在濒临前所未有的变化。在时尚应用中实施机器学习,计算机愿景和人工智能(AI)正在为这一行业开辟很多新的机会。本文对此事提供了全面的调查,将超过580篇相关文章分类为22个与定义的时尚相关的任务。这种基于结构的基于任务的时尚研究文章的多标签分类为研究人员提供了明确的研究方向,并促进了他们对相关研究的访问,同时提高了研究的可见性。对于每项任务,提供了一个时间图来分析多年来的进展。此外,我们提供了86个公共时装数据集的列表,并附上建议的应用程序列表和每个数据项。
translated by 谷歌翻译
理解话语动态的新科学方式之一正在分析社交网络的公共数据。该研究的目的是Covid-19现象(Laclau和Mouffe的话语理论启发)的结构主义话语分析(PDA)通过为波斯社会使用智能数据挖掘。检验的大数据是波斯推特网络的160,000个用户的五百万推文,以比较两个散文。除了单独分析推文文本之外,还创建了一种基于转推关系的社交网络图数据库。我们使用Voterank算法介绍和排名帖子成为口中的人的人,条件是通过网络最大化的总信息传播范围。这些用户也根据其单词使用模式进行聚类(使用高斯混合模型)。将有影响的扩展器的构建话语与最活跃的用户进行比较。该分析基于八集中的Covid相关员额完成。此外,通过依靠推特词语的统计含量分析和极性,对整个提到的群体进行话语分析,特别是对于顶部个人来说。本研究中最重要的结果是,Twitter主题的话语建设是基于政府的,而不是基于社区的。分析的伊朗社会并不认为自己对Covid-19邪恶问题负责,不相信参与,并期望政府解决所有问题。最活跃和最有影响力的用户的相似性是政治,国家和批判性话语建设是主要的。除了研究方法的优点外,还必须注意研究的局限性。给出了伊朗社会未来遇到相似危机的建议。
translated by 谷歌翻译