اکسپرس 24
ترجمه فارسی مقاله تکمیل ماتریس آنلاین: رویکردی مشارکتی با Hott Items

ترجمه فارسی مقاله تکمیل ماتریس آنلاین: رویکردی مشارکتی با Hott Items

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 Online Matrix Completion: A Collaborative Approach with Hott Items
عنوان مقاله به فارسی تکمیل ماتریس آنلاین: رویکردی مشارکتی با Hott Items
نویسندگان Dheeraj Baby, Soumyabrata Pal
فرمت مقاله انگلیسی PDF
تعداد صفحات 29
دسته بندی موضوعات Machine Learning,Information Retrieval,Machine Learning,یادگیری ماشین , بازیابی اطلاعات , یادگیری ماشین ,
توضیحات Submitted 11 August, 2024; originally announced August 2024. , Comments: Appeared at the Forty-first International Conference on Machine Learning, 2024
توضیحات به فارسی ارسال شده در 11 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: در چهل و یکمین کنفرانس بین المللی یادگیری ماشین ، 2024 ظاهر شد

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 1,160,000 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

We investigate the low rank matrix completion problem in an online setting with ${M}$ users, ${N}$ items, ${T}$ rounds, and an unknown rank-$r$ reward matrix ${R}in mathbb{R}^{{M}times {N}}$. This problem has been well-studied in the literature and has several applications in practice. In each round, we recommend ${S}$ carefully chosen distinct items to every user and observe noisy rewards. In the regime where ${M},{N} >> {T}$, we propose two distinct computationally efficient algorithms for recommending items to users and analyze them under the benign emph{hott items} assumption.1) First, for ${S}=1$, under additional incoherence/smoothness assumptions on ${R}$, we propose the phased algorithm textsc{PhasedClusterElim}. Our algorithm obtains a near-optimal per-user regret of $tilde{O}({N}{M}^{-1}(Δ^{-1}+Δ_{hott}^{-2}))$ where $Δ_{hott},Δ$ are problem-dependent gap parameters with $Δ_{hott} >> Δ$ almost always. 2) Second, we consider a simplified setting with ${S}=r$ where we make significantly milder assumptions on ${R}$. Here, we introduce another phased algorithm, textsc{DeterminantElim}, to derive a regret guarantee of $widetilde{O}({N}{M}^{-1/r}Δ_{det}^{-1}))$ where $Δ_{det}$ is another problem-dependent gap. Both algorithms crucially use collaboration among users to jointly eliminate sub-optimal items for groups of users successively in phases, but with distinctive and novel approaches.

چکیده به فارسی (ترجمه ماشینی)

ما مشکل تکمیل ماتریس با درجه پایین را در یک تنظیم آنلاین با کاربران $ {m} $ ، موارد $ n} $ ، $ {t} $ $ و یک رتبه ناشناخته-$ r $ ماتریس $ {r} in بررسی می کنیم. Mathbb {r}^{{m} times {n}} $.این مشکل در ادبیات به خوبی مورد مطالعه قرار گرفته است و در عمل چندین کاربرد دارد.در هر دور ، ما $ {S} $ را با دقت انتخاب شده برای هر کاربر توصیه می کنیم و پاداش های پر سر و صدا را مشاهده می کنید.در رژیم که $ {m} ، {n} >> {t} $ ، ما دو الگوریتم محاسباتی کارآمد را برای توصیه موارد به کاربران پیشنهاد می کنیم و آنها را تحت عنوان های خوش خیم emp {hott} فرض می کنیم.$ {s} = 1 $ ، تحت فرضیات اضافی/صافی اضافی در $ {r} $ ، ما الگوریتم مرحله ای textsc {phasedclustereLim را پیشنهاد می کنیم.الگوریتم ما یک پشیمانی تقریباً بهینه از هر کاربر از $ tilde {o} ({n} {m}^{-1} (δ^{-1}+δ_ {hott}^{-2})) $ بدست می آورد.جایی که $ Δ_ {{} ، δ $ پارامترهای وابسته به مشکل با $ Δ_ {{hott} >> δ $ تقریباً همیشه هستند.2) دوم ، ما یک تنظیم ساده را با $ {S} = r $ در نظر می گیریم که در آن فرضیات قابل توجهی خفیف تر در $ {r} $ انجام می دهیم.در اینجا ، ما یک الگوریتم فاز دیگر ، textsc {deterantelim} را معرفی می کنیم تا ضمانت پشیمانی $ wideTilde {o} ({n} {m}^{-1/r}} Δ_ {det}^{-1}) را بدست آوریم)) $ که در آن $ Δ_ {det} $ یکی دیگر از شکاف های وابسته به مشکل است.هر دو الگوریتم به طور مهم از همکاری بین کاربران استفاده می کنند تا به طور مشترک موارد زیر بهینه را برای گروه های کاربران به طور پی در پی در مراحل از بین ببرند ، اما با رویکردهای متمایز و جدید.

📚 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.