ترجمه فارسی مقاله یک چارچوب تنظیم جمعیت به فردی برای تطبیق LM از پیش تنظیم شده با پیش بینی قصد کاربر در دستگاه

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی A Population-to-individual Tuning Framework for Adapting Pretrained LM to On-device User Intent Prediction
عنوان مقاله به فارسی یک چارچوب تنظیم جمعیت به فردی برای تطبیق LM از پیش تنظیم شده با پیش بینی قصد کاربر در دستگاه
نویسندگان Jiahui Gong, Jingtao Ding, Fanjin Meng, Guilong Chen, Hong Chen, Shen Zhao, Haisheng Lu, Yong Li
فرمت مقاله انگلیسی PDF
تعداد صفحات 12
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Human-Computer Interaction,یادگیری ماشین , تعامل انسان و رایانه ,
توضیحات Submitted 19 August, 2024; originally announced August 2024. , Comments: accepted by KDD 2024
توضیحات به فارسی ارسال شده در 19 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: پذیرفته شده توسط KDD 2024
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

Mobile devices, especially smartphones, can support rich functions and have developed into indispensable tools in daily life. With the rise of generative AI services, smartphones can potentially transform into personalized assistants, anticipating user needs and scheduling services accordingly. Predicting user intents on smartphones, and reflecting anticipated activities based on past interactions and context, remains a pivotal step towards this vision. Existing research predominantly focuses on specific domains, neglecting the challenge of modeling diverse event sequences across dynamic contexts. Leveraging pre-trained language models (PLMs) offers a promising avenue, yet adapting PLMs to on-device user intent prediction presents significant challenges. To address these challenges, we propose PITuning, a Population-to-Individual Tuning framework. PITuning enhances common pattern extraction through dynamic event-to-intent transition modeling and addresses long-tailed preferences via adaptive unlearning strategies. Experimental results on real-world datasets demonstrate PITuning's superior intent prediction performance, highlighting its ability to capture long-tailed preferences and its practicality for on-device prediction scenarios.

چکیده به فارسی (ترجمه ماشینی)

دستگاه های تلفن همراه ، به ویژه تلفن های هوشمند ، می توانند از عملکردهای غنی پشتیبانی کنند و در زندگی روزمره به ابزارهای ضروری تبدیل شده اند.با افزایش خدمات تولید AI ، تلفن های هوشمند به طور بالقوه می توانند به دستیاران شخصی تبدیل شوند ، نیازهای کاربر و برنامه ریزی را بر این اساس پیش بینی می کنند.پیش بینی اهداف کاربر در تلفن های هوشمند و بازتاب فعالیت های پیش بینی شده بر اساس تعامل و زمینه گذشته ، گامی اساسی در جهت این دیدگاه باقی مانده است.تحقیقات موجود عمدتا بر حوزه های خاص متمرکز است و از چالش مدل سازی توالی های متنوع رویدادها در زمینه های پویا غفلت می کند.استفاده از مدلهای زبان از قبل آموزش یافته (PLM) یک خیابان امیدوارکننده را ارائه می دهد ، اما در عین حال سازگاری PLM ها با پیش بینی قصد کاربر در دستگاه چالش های قابل توجهی را ارائه می دهد.برای پرداختن به این چالش ها ، ما یک چارچوب تنظیم تنظیم جمعیت به فرد را پیشنهاد می کنیم.Pituning استخراج الگوی مشترک را از طریق مدل سازی انتقال رویداد به intent پویا تقویت می کند و ترجیحات طولانی مدت را از طریق استراتژی های آراسته سازگار می کند.نتایج تجربی در مجموعه داده های دنیای واقعی عملکرد پیش بینی قصد برتر Pituning را نشان می دهد ، و توانایی آن در گرفتن ترجیحات بلند و عملی آن برای سناریوهای پیش بینی در دستگاه را برجسته می 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.