اکسپرس 24
ترجمه فارسی مقاله توصیه‌های چند دامنه‌ایِ آگاه از وضوح تصویر به کاربرانِ شروع سرد

ترجمه فارسی مقاله توصیه‌های چند دامنه‌ایِ آگاه از وضوح تصویر به کاربرانِ شروع سرد

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Sharpness-Aware Cross-Domain Recommendation to Cold-Start Users
عنوان مقاله به فارسی توصیه‌های چند دامنه‌ایِ آگاه از وضوح تصویر به کاربرانِ شروع سرد
نویسندگان Guohang Zeng, Qian Zhang, Guangquan Zhang, Jie Lu
فرمت مقاله انگلیسی PDF
تعداد صفحات 12
دسته بندی موضوعات Information Retrieval,بازیابی اطلاعات ,
توضیحات Submitted 6 August, 2024; v1 submitted 4 August, 2024; originally announced August 2024.
توضیحات به فارسی ارائه شده در 6 اوت 2024 ؛V1 ارسال شده در 4 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.

قیمت: 19,000 تومان

دانلود مقاله اصل انگلیسی + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 99,000 تومان

سفارش + خلاصه دو صفحه ای مقاله + پادکست صوتی فارسی خلاصه مقاله

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی و ترجمه کامل آن، یک خلاصه دو صفحه‌ای فارسی و پادکست صوتی فارسی خلاصه مقاله را نیز دریافت خواهید کرد.

قیمت: 480,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Cross-Domain Recommendation (CDR) is a promising paradigm inspired by transfer learning to solve the cold-start problem in recommender systems. Existing state-of-the-art CDR methods train an explicit mapping function to transfer the cold-start users from a data-rich source domain to a target domain. However, a limitation of these methods is that the mapping function is trained on overlapping users across domains, while only a small number of overlapping users are available for training. By visualizing the loss landscape of the existing CDR model, we find that training on a small number of overlapping users causes the model to converge to sharp minima, leading to poor generalization. Based on this observation, we leverage loss-geometry-based machine learning approach and propose a novel CDR method called Sharpness-Aware CDR (SCDR). Our proposed method simultaneously optimizes recommendation loss and loss sharpness, leading to better generalization with theoretical guarantees. Empirical studies on real-world datasets demonstrate that SCDR significantly outperforms the other CDR models for cold-start recommendation tasks, while concurrently enhancing the model's robustness to adversarial attacks.

چکیده به فارسی (ترجمه ماشینی)

توصیه دامنه متقابل (CDR) یک الگوی امیدوار کننده است که از یادگیری انتقال برای حل مشکل شروع سرما در سیستم های پیشنهادی الهام گرفته است.روشهای پیشرفته و پیشرفته CDR یک عملکرد نقشه برداری صریح را برای انتقال کاربران شروع سرد از یک دامنه منبع غنی از داده به یک دامنه هدف آموزش می دهد.با این حال ، محدودیت این روش ها این است که عملکرد نقشه برداری بر روی همپوشانی کاربران در دامنه ها آموزش داده می شود ، در حالی که تنها تعداد کمی از کاربران همپوشانی برای آموزش در دسترس هستند.با تجسم چشم انداز ضرر مدل CDR موجود ، می فهمیم که آموزش در تعداد کمی از کاربران همپوشانی باعث می شود که این مدل به حداقل های تیز تبدیل شود و منجر به تعمیم ضعیف شود.بر اساس این مشاهدات ، ما از رویکرد یادگیری ماشین مبتنی بر ضرر و زیان سنج استفاده می کنیم و یک روش جدید CDR به نام CDR آگاهانه وضوح (SCDR) را پیشنهاد می کنیم.روش پیشنهادی ما به طور همزمان توصیه و وضوح از دست دادن توصیه را بهینه می کند و منجر به تعمیم بهتر با ضمانت های نظری می شود.مطالعات تجربی در مجموعه داده های دنیای واقعی نشان می دهد که SCDR به طور قابل توجهی از سایر مدلهای CDR برای کارهای توصیه شروع سرد فراتر می رود ، در حالی که همزمان استحکام مدل را به حملات مخالف افزایش می دهد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.