ترجمه فارسی مقاله پوشش دهی تمام چیزی نیست که شما نیاز دارید: یک پایه ساده برای یادگیری آنلاین تحت ورودی های تصادفی

چکیده

Handling haphazard streaming data, such as data from edge devices, presents a challenging problem. Over time, the incoming data becomes inconsistent, with missing, faulty, or new inputs reappearing. Therefore, it requires models that are reliable. Recent methods to solve this problem depend on a hedging-based solution and require specialized elements like auxiliary dropouts, forked architectures, and intricate network design. We observed that hedging can be reduced to a special case of weighted residual connection; this motivated us to approximate it with plain self-attention. In this work, we propose HapNet, a simple baseline that is scalable, does not require online backpropagation, and is adaptable to varying input types. All present methods are restricted to scaling with a fixed window; however, we introduce a more complex problem of scaling with a variable window where the data becomes positionally uncorrelated, and cannot be addressed by present methods. We demonstrate that a variant of the proposed approach can work even for this complex scenario. We extensively evaluated the proposed approach on five benchmarks and found competitive performance.

چکیده به فارسی (ترجمه ماشینی)

رسیدگی به داده های جریان Haphazard ، مانند داده های دستگاه های Edge ، یک مشکل چالش برانگیز را ایجاد می کند.با گذشت زمان ، داده های دریافتی متناقض می شوند و با ورودی های مفقود ، معیوب یا جدید دوباره ظاهر می شوند.بنابراین ، به مدل هایی نیاز دارد که قابل اعتماد باشند.روشهای اخیر برای حل این مشکل به یک راه حل مبتنی بر محافظت بستگی دارد و به عناصر تخصصی مانند ترک های کمکی ، معماری های چنگال و طراحی پیچیده شبکه نیاز دارد.ما مشاهده کردیم که حصار را می توان به یک مورد خاص از اتصال باقیمانده وزنه برداری کاهش داد.این امر ما را انگیزه داد تا آن را با توجه ساده خود تقریب دهیم.در این کار ، ما HAPNET را پیشنهاد می کنیم ، یک پایه ساده که مقیاس پذیر است ، نیازی به بازگشت آنلاین ندارد و با انواع مختلف ورودی سازگار است.تمام روشهای حاضر با یک پنجره ثابت به مقیاس بندی محدود می شوند.با این حال ، ما یک مشکل پیچیده تر از مقیاس گذاری با یک پنجره متغیر را معرفی می کنیم که در آن داده ها به صورت موقعیتی با هم مرتبط می شوند و با روش های فعلی نمی توان آن را مورد بررسی قرار داد.ما نشان می دهیم که نوعی از رویکرد پیشنهادی حتی برای این سناریوی پیچیده می تواند کار کند.ما به طور گسترده رویکرد پیشنهادی را در پنج معیار ارزیابی کردیم و عملکرد رقابتی پیدا کردیم.