Machine Learning,Artificial Intelligence,Computation and Language,Information Retrieval,یادگیری ماشین , هوش مصنوعی , محاسبات و زبان , بازیابی اطلاعات ,
توضیحات
Submitted 3 September, 2024; originally announced September 2024.
توضیحات به فارسی
ارسال شده در 3 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
$k$-Nearest Neighbor search on dense vector embeddings ($k$-NN retrieval) from pre-trained embedding models is the predominant retrieval method for text and images, as well as Retrieval-Augmented Generation (RAG) pipelines. In practice, application developers often fine-tune the embeddings to improve their accuracy on the dataset and query workload in hand. Existing approaches either fine-tune the pre-trained model itself or, more efficiently, but at the cost of accuracy, train adaptor models to transform the output of the pre-trained model. We present NUDGE, a family of novel non-parametric embedding fine-tuning approaches that are significantly more accurate and efficient than both sets of existing approaches. NUDGE directly modifies the embeddings of data records to maximize the accuracy of $k$-NN retrieval. We present a thorough theoretical and experimental study of NUDGE's non-parametric approach. We show that even though the underlying problem is NP-Hard, constrained variations can be solved efficiently. These constraints additionally ensure that the changes to the embeddings are modest, avoiding large distortions to the semantics learned during pre-training. In experiments across five pre-trained models and nine standard text and image retrieval datasets, NUDGE runs in minutes and often improves NDCG@10 by more than 10% over existing fine-tuning methods. On average, NUDGE provides 3.3x and 4.3x higher increase in accuracy and runs 200x and 3x faster, respectively, over fine-tuning the pre-trained model and training adaptors.
چکیده به فارسی (ترجمه ماشینی)
$ $-nearest جستجوی همسایه در تعبیه های وکتور متراکم ($ $ $-NN) از مدل های تعبیه شده از قبل آموزش دیده ، روش بازیابی غالب برای متن و تصاویر و همچنین خطوط لوله تولیدی با بازیابی (RAG) است.در عمل ، توسعه دهندگان برنامه ها اغلب تعبیه ها را برای بهبود دقت خود در مجموعه داده ها و حجم کار پرس و جو در دست می دهند.رویکردهای موجود یا مدل از پیش آموزش داده شده را به خوبی تنظیم می کنند یا به طور کارآمدتر ، اما با هزینه دقت ، مدل های آداپتور قطار را برای تغییر خروجی مدل از پیش آموزش داده می کنند.ما Nudge را ارائه می دهیم ، خانواده ای از رویکردهای تنظیم دقیق غیر پارامتری که به طور قابل توجهی دقیق تر و کارآمدتر از هر دو مجموعه از رویکردهای موجود هستند.Nudge مستقیماً تعبیه سوابق داده را برای به حداکثر رساندن دقت $ $-NN اصلاح می کند.ما یک مطالعه کامل نظری و تجربی از رویکرد غیر پارامتری Nudge ارائه می دهیم.ما نشان می دهیم که حتی اگر مشکل اساسی NP سخت باشد ، می توان تغییرات محدود را به طور مؤثر حل کرد.این محدودیت ها علاوه بر این تضمین می کنند که تغییرات در تعبیه ها متوسط است و از تحریف بزرگ به معناشناسی آموخته شده در طول پیش از آموزش جلوگیری می کند.در آزمایشات در پنج مدل از قبل آموزش داده شده و نه مجموعه داده بازیابی متن و تصویر استاندارد ، Nudge در عرض چند دقیقه اجرا می شود و اغلب NDCG@10 را بیش از 10 ٪ نسبت به روش های تنظیم دقیق موجود بهبود می بخشد.به طور متوسط ، Nudge افزایش 3.3 برابر و 4.3 برابر بیشتر در دقت را فراهم می کند و به ترتیب 200 برابر و 3 برابر سریعتر ، بیش از تنظیم دقیق مدل از پیش آموزش داده شده و آداپتورهای آموزشی.
📚 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.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 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
