ترجمه فارسی مقاله متا خوشه‌بندی راهزنان عصبی

چکیده

The contextual bandit has been identified as a powerful framework to formulate the recommendation process as a sequential decision-making process, where each item is regarded as an arm and the objective is to minimize the regret of $T$ rounds. In this paper, we study a new problem, Clustering of Neural Bandits, by extending previous work to the arbitrary reward function, to strike a balance between user heterogeneity and user correlations in the recommender system. To solve this problem, we propose a novel algorithm called M-CNB, which utilizes a meta-learner to represent and rapidly adapt to dynamic clusters, along with an informative Upper Confidence Bound (UCB)-based exploration strategy. We provide an instance-dependent performance guarantee for the proposed algorithm that withstands the adversarial context, and we further prove the guarantee is at least as good as state-of-the-art (SOTA) approaches under the same assumptions. In extensive experiments conducted in both recommendation and online classification scenarios, M-CNB outperforms SOTA baselines. This shows the effectiveness of the proposed approach in improving online recommendation and online classification performance.

چکیده به فارسی (ترجمه ماشینی)

راهزن متنی به عنوان یک چارچوب قدرتمند برای تدوین فرایند توصیه به عنوان یک فرآیند تصمیم گیری پی در پی شناخته شده است ، جایی که هر مورد به عنوان یک بازو در نظر گرفته می شود و هدف این است که پشیمانی از دور $ t $ را به حداقل برساند.در این مقاله ، ما یک مشکل جدید ، خوشه بندی راهزنان عصبی ، با گسترش کار قبلی به عملکرد پاداش دلخواه ، برای ایجاد تعادل بین ناهمگونی کاربر و همبستگی کاربر در سیستم توصیه کننده ، مطالعه می کنیم.برای حل این مشکل ، ما یک الگوریتم جدید به نام M-CNB را پیشنهاد می کنیم ، که از یک متا-یادگیری برای نمایش و سازگاری سریع با خوشه های پویا استفاده می کند ، به همراه یک استراتژی اکتشافی مبتنی بر اعتماد به نفس بالا (UCB).ما یک الگوریتم پیشنهادی را که در برابر متن مخالف مقاومت می کند ، ضمانت عملکرد وابسته به نمونه ارائه می دهیم ، و ما بیشتر ثابت می کنیم که ضمانت حداقل به اندازه رویکردهای پیشرفته (SOTA) تحت همین فرضیات است.در آزمایشات گسترده ای که در هر دو سناریو توصیه و طبقه بندی آنلاین انجام شده است ، M-CNB از خطوط SOTA بهتر عمل می کند.این اثربخشی رویکرد پیشنهادی در بهبود توصیه های آنلاین و عملکرد طبقه بندی آنلاین را نشان می دهد.