ترجمه فارسی مقاله شما فقط یک بار ادغام می کنید: یادگیری مجموعه پارتو از ادغام مدل اولویت آگاه

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 You Only Merge Once: Learning the Pareto Set of Preference-Aware Model Merging
عنوان مقاله به فارسی شما فقط یک بار ادغام می کنید: یادگیری مجموعه پارتو از ادغام مدل اولویت آگاه
نویسندگان Weiyu Chen, James Kwok
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 21 August, 2024; originally announced August 2024.
توضیحات به فارسی ارائه شده 21 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
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

Model merging, which combines multiple models into a single model, has gained increasing popularity in recent years. By efficiently integrating the capabilities of various models without their original training data, this significantly reduces the parameter count and memory usage. However, current methods can only produce one single merged model. This necessitates a performance trade-off due to conflicts among the various models, and the resultant one-size-fits-all model may not align with the preferences of different users who may prioritize certain models over others. To address this issue, we propose preference-aware model merging, and formulate this as a multi-objective optimization problem in which the performance of the merged model on each base model's task is treated as an objective. In only one merging process, the proposed parameter-efficient structure can generate the whole Pareto set of merged models, each representing the Pareto-optimal model for a given user-specified preference. Merged models can also be selected from the learned Pareto set that are tailored to different user preferences. Experimental results on a number of benchmark datasets demonstrate that the proposed preference-aware Pareto Merging can obtain a diverse set of trade-off models and outperforms state-of-the-art model merging baselines.

چکیده به فارسی (ترجمه ماشینی)

ادغام مدل ، که چندین مدل را در یک مدل واحد ترکیب می کند ، در سالهای اخیر محبوبیت بیشتری کسب کرده است.با ادغام کارآمد قابلیت های مدل های مختلف بدون داده های آموزش اصلی آنها ، این امر به طور قابل توجهی تعداد پارامتر و استفاده از حافظه را کاهش می دهد.با این حال ، روش های فعلی فقط می توانند یک مدل ادغام شده را تولید کنند.این امر به دلیل درگیری بین مدل های مختلف ، یک تجارت عملکردی را ضروری می کند ، و مدل حاصل از آن ممکن است با ترجیح کاربران مختلف که ممکن است مدل های خاصی را نسبت به سایرین اولویت بندی کنند ، مطابقت نداشته باشد.برای پرداختن به این مسئله ، ما ادغام مدل آگاهی از ترجیح را پیشنهاد می کنیم و این را به عنوان یک مشکل بهینه سازی چند هدف که در آن عملکرد مدل ادغام شده در کار هر مدل پایه به عنوان یک هدف رفتار می شود ، تدوین می کنیم.تنها در یک فرآیند ادغام ، ساختار کارآمد پارامتر پیشنهادی می تواند کل مجموعه پارتو از مدلهای ادغام شده را تولید کند ، هر کدام نمایانگر مدل پارتو بهینه برای یک ترجیح مشخص شده توسط کاربر هستند.مدل های ادغام شده همچنین می توانند از مجموعه پارتو آموخته شده که متناسب با ترجیحات مختلف کاربر تنظیم شده اند ، انتخاب شوند.نتایج تجربی در تعدادی از مجموعه داده های معیار نشان می دهد که ادغام Pareto آگاهی از ترجیح پیشنهادی می تواند مجموعه متنوعی از مدل های تجاری را بدست آورد و از مدل های ادغام مدل های پیشرفته بهتر عمل کند.

📚 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.