다른 문헌에서 효과적인 것으로 간주되는 시스템. 그러한 시스템에서 사용자는 시스템이 그들의 행동으로부터 알고리즘적으로 학습하고 있다는 사실을 알지 못할 수 있습니다. 도메인 일반화는 보이지 않는 대상 도메인으로 직접 일반화할 수 있는 다양한 리소스 도메인 이름 모음에서 디자인을 교육하는 문제를 나타냅니다. 고무적인 서비스는 서로 다른 도메인의 샘플 간 세트 사이에서 풍부한 의미론적 연결을 조작하여 도메인 불변 표현을 찾으려고 시도하는 대조 학습입니다. 기본 기술은 다른 도메인에서 유리한 샘플 쌍을 더 가깝게 당기고 다른 불리한 세트를 더 멀리 밀어내는 것입니다. 이 논문에서 우리는 대조 기반 기술(예: 지도 대조 학습)을 직접 적용하는 것이 도메인 이름 일반화에 비효율적임을 발견했습니다. 유리한 샘플 대 샘플 쌍을 정렬하면 서로 다른 도메인 간의 상당한 분포 차이로 인해 모델 일반화가 방지되는 경향이 있음을 제안합니다. 이 문제를 해결하기 위해 프록시-샘플 연결을 사용하여 원래 샘플-샘플 관계를 변경하여 유리한 포지셔닝 문제를 크게 완화하는 새로운 프록시 기반 대조 검색 방식을 제안합니다. 4가지 일반적인 기준에 대한 실험은 제안된 접근 방식의 효율성을 보여줍니다. 또한 ImageNet 사전 훈련된 버전이 제공되지 않는 보다 복잡한 상황도 고려합니다. ProxyFL은 각 클라이언트(예: 병원)가 독점 모델, 프록시 디자인 및 독점 정보를 유지하는 통신 효율적이고 분산된 연합 지식 방법입니다. 분산 교육을 통해 고객은 정보와 버전 자유를 허용하는 프록시 모델을 교환하는 것만으로 다른 사람과 연결됩니다. 임의적이거나 무작위보다 더 나쁜 행동의 가능성은 일부 시청자에게는 놀라운 일이 아닐 수 있습니다. 그러나 인공 지능 기술의 탐색 및 출시에서 광범위하게 간과되는 두 가지 근본적인 문제를 강조합니다. 하나는 잘못된 동작이 시스템에서 감지되지 않는다는 것입니다. 메트릭은 잘 실행되고 있다고 보고할 수 있습니다. 다른 하나는 인공 지능 접근 방식의 기술 효율성이 정보 묘사의 완전성에 의해 제한된다는 것입니다. 롤대리 데이터나 누락된 데이터가 실수로 이어질 수 있다는 것은 잘 알려져 있습니다. 그럼에도 불구하고 묘사 자체가 한계라는 현실을 발견한 문학은 우리가 아는 바가 없다. 우리의 표준은 무작위 추천인이며, 집단적 이익은 각 분류가 ℓ 항목 목록에서 제공될 기회에서 무작위로(대체 포함) 선택된다는 사실 때문입니다.
사례 연구에서 우리는 예기치 않은 행동을 보이는 고객과 주석이 없는 분류의 존재에 대해 생각하면서 표현의 불완전성을 두 가지 방법으로 확인합니다. 예를 들어 사용자의 선택과 이를 만족시키려는 시스템의 잘못된 시도가 서로 긴장하게 되는 불규칙한 시설에 기반할 때 특정 가정 하에서 관행은 무작위보다 더 나쁠 수 있습니다. 예를 들어 웹 서버는 ‘드라마, 웃긴, 가족, 스릴러, 무서운, 오스카 빅터, 다큐드라마, 스포츠’와 같은 체크리스트를 활용할 수 있습니다.
우리 작업과 더 직접적인 관련이 있는 것은 Haug et al. [2] 시스템에 포함된 기능과 사용자가 관심을 갖는 기능 사이에 불평등이 있을 때 피드백을 통한 학습의 행동에 대해 생각하는 사람. 강조점은 시스템이 특정 작업에서 잘 수행하도록 특정 사용자에 의해 명시적으로 교육되는 검색의 특정 응용 프로그램입니다. 그들은 그러한 맥락에서 보상 기능(우리 용어로는 대리)이 찾고 있는 ‘진정한’ 인센티브와 맞지 않을 수 있음을 보여주고 일단 중단되면 교육에서 더 높은 다양성을 허용하기 위해 시스템을 만들 수 있는 방법을 권장합니다. 작동이 발견됩니다. 즉, 실패의 문제와 그 탐구의 추상적인 원리를 살펴보지 않는다. 우리는 MNIST37, Fashion-MNIST(FaMNIST) 38, CIFAR-1039에 대해 실험을 수행했습니다. MNIST와 FaMNIST에는 크기가 28 × 28인 60,000개의 훈련 사진이 있고 CIFAR-10에는 차원이 32 × 32인 50,000개의 RGB 훈련 사진이 있습니다. 각 데이터 세트에는 버전 성능을 평가하는 데 사용되는 10,000개의 검사 이미지가 있습니다. 실험은 8개의 클라이언트에 해당하는 8개의 V100 GPU가 있는 웹 서버에서 수행되었습니다. 각 실행에서 모든 클라이언트는 교육 컬렉션에서 맛본 1k(MNIST 및 FaMNIST) 또는 3k(CIFAR-10) 겹치지 않는 개인 이미지를 가지고 있었으며, 이는 사용 가능한 교육 데이터의 일부만 사용되었음을 의미합니다. 분류 작업. 비 IID 정보에 대한 견고성을 테스트하기 위해 고객에게 조작된 독점 정보 배포가 제공되었습니다. 각 클라이언트에 대해 임의로 선택한 코스가 지정되었습니다. 해당 클라이언트의 개인 데이터 중 일부 pmajor(MNIST 및 FaMNIST의 경우 0.8, CIFAR-10의 경우 0.3)는 해당 클래스에서 가져왔습니다. 계속되는 정보는 IID 방식으로 다른 모든 클래스에서 임의로 끌어들였습니다. 따라서 고객은 IID 검사 세트에서 잘 일반화하기 위해 협력자로부터 이익을 얻어야 합니다. 그들은 공유 전문 지식 이전을 위한 기술인 심층 공유 지식(DML)24의 DP 변형을 사용하여 교육을 받습니다. DML은 사전 교육을 받은 교사와 일반적으로 더 작은 규모의 학생25 사이의 전문 지식 증류와 유리하게 대조됩니다. 두 모델을 처음부터 한 번에 모두 교육할 수 있고 두 버전 모두에 귀중한 정보를 제공하기 때문입니다. FML(Federated Mutual Discovering)26은 프록시 디자인과 유사한 밈 버전을 제공하며, 각 고객의 개인 디자인과 동일하게 교육되지만 중앙 서버에 축적됩니다. 그럼에도 불구하고 FML은 간소화되고 고객에게 개인 정보 보호 보증을 제공하지 않기 때문에 다중 기관 파트너십 설정에 적합하지 않습니다. 본 논문에서는 다중 클래스 베이즈 분류기에 대한 이론적 이해곡선을 도출하였다. 이 곡선은 클래스 조건부 확률 두께의 일반적인 다변량 파라메트릭 버전에 맞습니다. 유도는 진리 과정의 사후 확률에 비례하는 사실의 수렴을 조사하는 것을 기반으로 프록시 접근 방식을 사용합니다. 그렇게 함으로써 윤곽선은 훈련 세트 차원과 함수 벡터의 측정에만 의존합니다. 모델 매개변수에 의존하지 않습니다. 기본적으로 발견 곡선은 훈련 설정 차원을 높임으로써 얻을 수 있는 초과 확률의 감소 추정치를 제공합니다. 이것은 이상적인 교육 설정 차원을 정의하는 합리적인 문제를 처리하기 위해 눈길을 끕니다. E2CO(installed to control and observe)라고 하는 다양한 E2C 기반 프록시 설계는 변경 결과라는 또 다른 네트워크 블록을 사용하여 시스템 결과를 바로 예측할 수 있으며 특정 유정 모델 방정식이 필요하지 않습니다. 3D 컨볼루션 레이어를 활용하여 기존 E2C 및 E2CO 디자인을 업그레이드하고 손실 작업을 변경하여 3D 변경 문제를 해결했습니다. 쉽게 이것은 빠른 탐험 속도가 최적이 아닌 팔을 너무 자주 제공하도록 공식을 강요할 것이고 또한 느리게 움직이는 탐험 속도는 확실히 발견 속도를 늦출 것임을 의미합니다. 1998년 초판에서 Sutton과 Barto는 탐색이 일관된 가능성 ϵ로 실행되는 ϵ-탐욕 정책을 도입했습니다. 이 작업은 오늘날 보다 일반적인 권장 사항[12] Auer et al. [13] Lai와 Robbins가 제시한 최적의 후회 조건을 만족시키기 때문에 최적임을 입증할 수 있는 수많은 실행을 조사합니다. 우리가 연구로 분석하는 기계 학습 기반 장치의 유형은 추천 시스템입니다. 이들은 개인이 선택할 수 있는 제품 목록을 제공하기 위해 고객의 선택을 찾기 위해 개발되었습니다. 그럼에도 불구하고 이 타고난 인간 결과는 시스템에서 직접 관찰할 수 없으므로 프록시를 대신 사용해야 합니다. Suresh와 Guttag[3]는 정의의 문제를 우리 작업을 구성하는 범위인 인공 지능의 ‘예기치 않은 결과’로 특징짓습니다. 그들의 분류법(및 이전 분류법의 동화)은 데이터 수집의 집합체로서의 기계 학습의 추상 요약과 설계 개발, 검사, 후처리 및 구현에 의해 준수되는 준비 작업에 달려 있습니다. 우리의 작업은 일반적으로 Guttag의 프레임워크뿐만 아니라 Suresh의 확장으로 구성될 수 있으며, Danks와 London [4]에서 논의한 대로 버전 적응 또는 번역과 같은 다른 제약이 있을 수 있습니다. 아래에서 추가로 고려합니다. 연구로서 우리는 다음과 유사한 영화 추천 시스템을 활용합니다.
우리는 프록시 레이블이 상당히 있음을 보여줍니다. 좋은 것을 달성하면서 지식의 견고성을 높이거나. 이진 분류의 초기 작업보다 훨씬 정확합니다.
이 글을 Dropbox 계정에 저장하려면 여러 형식을 선택하고 Dropbox 사용 정책을 준수할 것에 동의하는지 확인하십시오. 이 기능을 처음 사용하는 경우 Dropbox 계정에 연결하려면 Cambridge Core에 권한을 부여해야 합니다. 온라인 학습자는 기존 지식 기반, 배경 및 능력에 대한 정보와 함께 실제 환경에서 정보 또는 기술을 어떻게 활용할 수 있는지에 대해 경고를 받아야 합니다. 이 게시물에서는 API 프록시의 의미, 프록시 유형, API 프록시의 정확한 작동 방식, 일반적인 사용 상황, 어려움, API 프록시 선택 시 고려 사항에 대해 더 많은 대화를 나눕니다. 레이어 2 프록시 ARP는 브로드캐스트 도메인 이름을 적절하게 격리하고 ARP pro의 영향을 줄일 수 있습니다.
