ترجمه فارسی مقاله آداپتورهای درجه پایین پارتو: یادگیری کارآمد چند کاره با ترجیحات

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 Pareto Low-Rank Adapters: Efficient Multi-Task Learning with Preferences
عنوان مقاله به فارسی آداپتورهای درجه پایین پارتو: یادگیری کارآمد چند کاره با ترجیحات
نویسندگان Nikolaos Dimitriadis, Pascal Frossard, Francois Fleuret
فرمت مقاله انگلیسی PDF
تعداد صفحات 19
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 10 July, 2024; originally announced July 2024. , Comments: 19 pages, 11 figures
توضیحات به فارسی 10 ژوئیه 2024 ارسال شد.در ابتدا ژوئیه 2024 اعلام شد ، نظرات: 19 صفحه ، 11 رقم
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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

Dealing with multi-task trade-offs during inference can be addressed via Pareto Front Learning (PFL) methods that parameterize the Pareto Front with a single model, contrary to traditional Multi-Task Learning (MTL) approaches that optimize for a single trade-off which has to be decided prior to training. However, recent PFL methodologies suffer from limited scalability, slow convergence and excessive memory requirements compared to MTL approaches while exhibiting inconsistent mappings from preference space to objective space. In this paper, we introduce PaLoRA, a novel parameter-efficient method that augments the original model with task-specific low-rank adapters and continuously parameterizes the Pareto Front in their convex hull. Our approach dedicates the original model and the adapters towards learning general and task-specific features, respectively. Additionally, we propose a deterministic sampling schedule of preference vectors that reinforces this division of labor, enabling faster convergence and scalability to real world networks. Our experimental results show that PaLoRA outperforms MTL and PFL baselines across various datasets, scales to large networks and provides a continuous parameterization of the Pareto Front, reducing the memory overhead $23.8-31.7$ times compared with competing PFL baselines in scene understanding benchmarks.

چکیده به فارسی (ترجمه ماشینی)

برخورد با معاملات چند کاره در هنگام استنتاج می تواند از طریق روشهای یادگیری جلو پارتو (PFL) که پارامتر کردن جبهه پارتو با یک مدل واحد ، برخلاف رویکردهای سنتی یادگیری چند کاره (MTL) که برای یک تجارت واحد بهینه می شوند ، پرداخته شود.که باید قبل از آموزش تصمیم بگیرد.با این حال ، روشهای اخیر PFL از مقیاس پذیری محدود ، همگرایی آهسته و نیازهای حافظه بیش از حد در مقایسه با رویکردهای MTL رنج می برند در حالی که نقشه های متناقض را از فضای اولویت به فضای عینی نشان می دهند.در این مقاله ، ما Palora را معرفی می کنیم ، یک روش جدید و کارآمد پارامتر که مدل اصلی را با آداپتورهای کم رتبه کار خاص افزایش می دهد و به طور مداوم جبهه پارتو را در بدنه محدب آنها پارامتر می کند.رویکرد ما به ترتیب مدل اصلی و آداپتورها را به سمت یادگیری ویژگی های عمومی و خاص اختصاص می دهد.علاوه بر این ، ما یک برنامه نمونه گیری قطعی از بردارهای ترجیحی را پیشنهاد می کنیم که این بخش از کار را تقویت می کند و باعث همگرایی سریعتر و مقیاس پذیری در شبکه های جهانی واقعی می شود.نتایج تجربی ما نشان می دهد که Palora از خط مقدمات MTL و PFL در بین مجموعه داده های مختلف ، مقیاس به شبکه های بزرگ استفاده می کند و یک پارامتر مداوم از جبهه پارتو را فراهم می کند ، و حافظه را در مقایسه با خط مقدمات PFL رقیب در محورهای درک صحنه کاهش 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.